TUGAS AKHIR – SS145561
PEMODELAN REGRESI PANEL TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN IBU DI PROVINSI JAWA TIMUR
Khusnul Khotimah NRP 1313 030 001
Dosen Pembimbing Dr. Vita Ratnasari, S.Si., M.Si. PROGRAM STUDI DIPLOMA III JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember
Surabaya 2016
TUGAS AKHIR – SS145561
PEMODELAN REGRESI PANEL TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN IBU DI PROVINSI JAWA TIMUR
Khusnul Khotimah NRP 1313 030 001
Dosen Pembimbing Dr. Vita Ratnasari, S.Si., M.Si.
PROGRAM STUDI DIPLOMA III JURUSAN STATISTIKA Fakultas Matematika dan Ilmu Pengetahuan Alam Institut Teknologi Sepuluh Nopember Surabaya 2016
JUDUL
FINAL PROJECT – SS145561
PANEL REGRESSION MODELLING OF THE FACTORS THAT INFLUENCE MATERNAL MORTALITY RATE IN EAST JAVA
Khusnul Khotimah NRP 1313 030 001
Supervisor Dr. Vita Ratnasari, S.Si., M.Si.
DIPLOMA III STUDY PROGRAM DEPARTEMENT OF STATISTICS Faculty of Mathematics and Natural Science Sepuluh Nopember Institute of Technology Surabaya 2016
v
Pemodelan Regresi Panel terhadap Faktor-Faktor yang Mempengaruhi Angka Kematian Ibu di Provinsi Jawa Timur TIMUR)
Nama mahasiswa : Khusnul Khotimah NRP : 1313030001 Program Studi Jurusan
: :
Diploma III Statistika FMIPA-ITS
Dosen Pembimbing : Dr. Vita Ratnasari, S.Si., M.Si.
ABSTRAK Survei Demografi dan Kesehatan Indonesia (SDKI) tahun 2012
menyebutkan bahwa angka kematian ibu di Indonesia masih tinggi yaitu sebesar 359 per 100.000 kelahiran hidup sedangkan target global MDGs yang ke-5 adalah menurunkan angka kematian ibu menjadi 102 per 100.000 kelahiran hidup pada tahun 2015. Angka kematian ibu di Provinsi Jawa Timur tergolong tinggi jika dibandingkan dengan provinsi-provinsi lain di Indonesia sehingga tergolong dalam sembilan wilayah yang ditetapkan oleh Kementrian Kesehatan RI sebagai daerah prioritas penurunan AKI. Penelitian dilakukan dengan menggunakan regresi panel untuk mengetahui faktor-faktor apa saja yang berpengaruh terhadap angka kematian ibu. Secara umum, angka kematian ibu di Provinsi Jawa Timur mengalami kenaikan pada tahun 2008 hingga tahun 2011, namun pada tahun 2012 hingga tahun 2014 mengalami penurunan. Model regresi panel yang sesuai untuk angka kematian ibu di Provinsi Jawa Timur adalah model FEM tanpa pembobot yang memperhatikan efek individu dan waktu. Variabel yang signifikan terhadap angka kematian ibu di Provinsi Jawa Timur adalah persentase cakupan pelayanan antenatal K4 dan Persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih. Kata Kunci— Angka Kematian Ibu, Provinsi Jawa Timur, Regresi Panel
vi
(Halaman ini sengaja dikosongkan)
vii
Panel Regression Modelling of the Factors that Influence Maternal Mortality Rate in East Java
TIMUR)
Student Name : Khusnul Khotimah NRP : 1313030001 Programe Departement
: :
Diploma III Statistics FMIPA-ITS
Academic Supervisor : Dr. Vita Ratnasari, S.Si., M.Si.
ABSTRACT Demographic and health survey of 2012 said that maternal
mortality rate in Indonesia is still high at 359 per 100.000 live births while fifth target of MDGs is to reduce maternal mortality rate to 102 per 100.000 live births at 2015. Maternal Mortality Rate in East Java is higher than other provinces, so East Java is determined by ministry of health including in nine priority areas of reducing maternal mortality. In this research, panel regression use to determine the factors of influence maternal mortality rate in East Java. In general, maternal mortality rate in East Java increased at 2008 to 2011, but 2012 to 2014 decreased. An approriate panel regression model to maternal mortality rate is fixed effect model with individual and time effect. Variables significantly to maternal mortality rate in East Java is percentage of antenatal K4 and percentage of births attended by skilled health personnel. Keywords — East Java, Maternal Mortality Rate, Panel Regression
viii
(Halaman ini sengaja dikosongkan)
ix
KATA PENGANTAR
Alhamdulillahirobbil‘alamin. Rasa syukur senantiasa penulis panjatkan kehadirat Allah SWT yang telah melimpahkan rahmat, hidayah dan karunia-Nya sehingga penulis dapat menyelesaikan tugas akhir dengan judul “PEMODELAN REGRESI PANEL TERHADAP FAKTOR-FAKTOR YANG MEMPENGARUHI ANGKA KEMATIAN IBU DI PROVINSI JAWA TIMUR” dengan lancar dan tepat waktu.
Keberhasilan penyelesaian laporan tugas akhir ini tidak terlepas dari partisipasi dan dukungan dari berbagai pihak. Oleh karena itu, dengan segala kerendahan hati penulis mengucapkan terima kasih yang sebesar-besarnya kepada: 1. Bapak, ibu, kakak, dan keluarga besar penulis atas do’a dan
kasih sayang yang begitu besar sehingga penulis selalu memiliki kekuatan dan semangat dalam menjalani proses perkuliahan dan menyelesaikan tugas akhir ini.
2. Ibu Dr. Vita Ratnasari, S.Si., M.Si. selaku dosen pembimbing yang senantiasa memberikan ilmu, perhatian, bimbingan dan pengarahan dengan begitu baik selama menyelesaikan tugas akhir ini dan semoga senantiasa diberkahi oleh-Nya.
3. Bapak Dr. rer. pol. Heri Kuswanto, S.Si., M.Si. dan Ibu Erma Oktania Permatasari, S.Si., M.Si. selaku dosen penguji yang telah memberikan ilmu, kritik dan saran membangun untuk kesempurnaan tugas akhir ini.
4. Bapak Dr. Suhartono selaku Ketua Jurusan Statistika ITS dan Bapak Dr. Wahyu Wibowo, S.Si., M.Si. selaku Ketua Prodi DIII Statistika yang telah memfasilitasi penulis selama menuntut ilmu di Jurusan Statistika ITS.
5. Ibu Dra. Sri Mumpuni Retnaningsih, MT selaku dosen wali dan seluruh Bapak/Ibu dosen Statistika atas segala bimbingan, masukan, dan ilmu yang telah diberikan.
6. Seluruh staff tata usaha Jurusan Statistika yang telah mempelancar penulis selama masa perkuliahan.
x
7. Serta semua pihak yang telah banyak membantu penulis yang tidak dapat disebutkan satu persatu.
Semoga kebaikan dan bantuan yang telah diberikan kepada penulis dibalas dengan kebaikan yang lebih oleh Allah SWT. Amin. Penulis menyadari bahwa tugas akhir ini masih terdapat kekurangan, oleh karena itu kritik dan saran yang bersifat membangun sangat diharapkan. Semoga tugas akhir ini dapat memberikan manfaat baik bagi penulis, pembaca, dan semua pihak.
Surabaya, Juni 2016
Penulis
xi
DAFTAR ISI
Halaman
HALAMAN JUDUL................................................................ i LEMBAR PENGESAHAN ..................................................... iii ABSTRAK ................................................................................ v ABSTRACT ............................................................................. vii KATA PENGANTAR ............................................................. ix DAFTAR ISI ........................................................................... xi DAFTAR GAMBAR ............................................................... xii DAFTAR TABEL .................................................................... xv DAFTAR LAMPIRAN ........................................................... xvi BAB I PENDAHULUAN 1.1 Latar Belakang ................................................................. 1 1.2 Rumusan Masalah ........................................................... 4 1.3 Tujuan .............................................................................. 5 1.4 Manfaat ............................................................................ 5 1.2 Batasan Masalah .............................................................. 5 BAB II TINJAUAN PUSTAKA 2.1 Statistika Deskriptif ......................................................... 7 2.2 Regresi Panel ................................................................... 7 2.3 Estimasi Model Regresi Panel ......................................... 9 2.3.1 Common Effect Model (CEM) ................................ 9 2.3.2 Fixed Effect Model (FEM) ...................................... 10 2.3.3 Random Effect Model (REM) ................................. 11 2.4 Pemilihan Model Regresi Panel ...................................... 12 2.4.1 Uji Chow ................................................................ 12 2.4.2 Uji Hausman ........................................................... 13 2.4.3 Uji Lagrange Multiplier (LM) ................................ 13 2.5 Pengujian Parameter Model Regresi ............................... 14 2.4.1 Pengujian Serentak ................................................. 14 2.4.2 Pengujian Parsial .................................................... 14
xii
2.6 Uji Asumsi Multikolinieritas ...........................................15 2.7 Pengujian Asumsi Residual IIDN ....................................16 2.8 Angka Kematian Ibu ........................................................19 2.9 Penelitian Sebelumnya .....................................................23 BAB III METODOLOGI PENELITIAN 3.1 Sumber Data ....................................................................31 3.2 Variabel Penelitian ...........................................................33 3.3 Langkah Analisis .............................................................35 3.4 Diagram Alir ....................................................................36 BAB IV ANALISIS DAN PEMBAHASAN 4.1 Karakteristik Angka Kematian Ibu dan Faktor-Faktor yang Diduga Mempengaruhi ......................................... 39
4.1.1 Angka Kematian Ibu .............................................39 4.1.2 Persentase Penduduk Perempuan dengan
Pendidikan Terakhir yang Ditamat- kan Minimal SD ..................................................48
4.1.3 Persentase Penduduk Perempuan Kawin Usia Kurang dari 17 Tahun ...............................49
4.1.4 Persentase Peserta KB Aktif ...............................50 4.1.5 Persentase Cakupan Pelayanan Antenatal K4 ..51 4.1.6 Persentase Kelahiran yang Ditolong oleh
Tenaga Kesehatan Terlatih ................................52 4.1.7 Persentase Komplikasi Kebidanan yang
Ditangani ...............................................................53 4.2 Pemodelan Angka Kematian Ibu di Provinsi
Jawa Timur ......................................................................54 4.2.1 Pemilihan Metode Estimasi Model
Angka Kematian Ibu dengan Efek Individu dan Waktu .............................................................55
4.2.2 Pengujian Asumsi Residual IIDN .........................59 4.2.3 Estimasi Model Regresi Panel ...............................62
xiii
BAB V KESIMPULAN DAN SARAN 5.1 Kesimpulan ...................................................................... 65 5.2 Saran ................................................................................ 65 DAFTAR PUSTAKA LAMPIRAN
xiv
(Halaman ini sengaja dikosongkan)
xv
DAFTAR GAMBAR
Halaman
Gambar 3.1 Diagram Alir ....................................................... 36 Gambar 4.1 Angka Kematian Ibu di Provinsi Jawa Timur Tahun 2008 hingga Tahun 2014 ......................... 40 Gambar 4.2 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur Tahun 2008 ....................... 41 Gambar 4.3 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur Tahun 2009 ....................... 42 Gambar 4.4 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur Tahun 2010 ....................... 43 Gambar 4.5 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur Tahun 2011 ....................... 44 Gambar 4.6 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur Tahun 2012 ....................... 45 Gambar 4.7 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur Tahun 2013 ....................... 46 Gambar 4.8 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur Tahun 2014 ....................... 47 Gambar 4.9 Persentase Penduduk Perempuan dengan
Pendidikan yang Ditamatkan Minimal SD ......... 48 Gambar 4.10 Persentase Penduduk Perempuan Kawin Usia
Kurang dari 17 Tahun ......................................... 49 Gambar 4.11 Persentase Peserta KB Aktif ............................... 50 Gambar 4.12 Persentase Cakupan Pelayanan Antenatal K4 .... 51 Gambar 4.13 Persentase Kelahiran yang Ditolong oleh Tenaga Kesehatan Terlatih ................................. 52 Gambar 4.14 Persentase Komplikasi Kebidanan yang Ditangani ............................................................ 53 Gambar 4.15 Normal Probability Plot ..................................... 61
xvi
(Halaman ini sengaja dikosongkan)
xvii
DAFTAR TABEL
Halaman
Tabel 2.1 Penelitian AKI ........................................................ 24 Tabel 2.2 Penelitian Sebelumnya Menggunakan Metode Regresi Panel ......................................................... 29 Tabel 3.1 Struktur Data ........................................................... 31 Tabel 3.2 Unit Penelitian ....................................................... 32 Tabel 3.3 Variabel Penelitian ................................................. 33 Tabel 4.1 Hasil Deteksi Multikolinieritas ............................... 54 Tabel 4.2 Hasil Uji Chow dengan Semua Variabel ................ 55 Tabel 4.3 Hasil Uji Hausman dengan Semua Variabel ........... 56 Tabel 4.4 Hasil Uji Serentak dengan Semua Variabel ............ 56 Tabel 4.5 Hasil Uji Parsial dengan Semua Variabel ............... 57 Tabel 4.6 Hasil Uji Chow dengan Variabel yang Signifikan .. 58 Tabel 4.7 Hasil Uji Hausman dengan Variabel Variabel yang Signifikan ....................................................... 58 Tabel 4.8 Hasil Uji Serentak dengan Variabel yang Signifikan ................................................................ 58 Tabel 4.9 Hasil Uji Parsial dengan Variabel yang Signifikan ................................................................ 59 Tabel 4.10 Hasil Uji Park ......................................................... 59 Tabel 4.11 Hasil Run Test ......................................................... 60 Tabel 4.10 Hasil Uji Kolmogorov Smirnov ............................. 61 Tabel 4.10 Nilai Intersep Tiap Kabupaten/Kota ...................... 62 Tabel 4.11 Nilai Intersep Periode Waktu .................................. 63
xviii
(Halaman ini sengaja dikosongkan)
xix
DAFTAR LAMPIRAN
Halaman
Lampiran 1 Data Angka Kematian Ibu dan Faktor-Faktor yang Mempengaruhi di Provinsi Jawa Timur Tahun 2008-Tahun 2014 .................................. 71
Lampiran 2 Hasil Deteksi Multikolinieritas…..................... 87 Lampiran 3 Estimasi Model Variabel Prediktor
dengan Efek Individu dan Waktu ..................... 88 Lampiran 4 Estimasi Model Variabel Prediktor yang
Signifikan saja dengan Efek Individu dan Waktu ............................................................... 97
Lampiran 5 Hasil Pengujian Residual IIDN…..................... 106
xx
(Halaman ini sengaja dikosongkan)
1
BAB I PENDAHULUAN
Pada bab ini akan disajikan latar belakang, rumusan masalah, tujuan, manfaat, dan batasan masalah yang digunakan pada penelitian ini.
1.1 Latar Belakang Kemajuan dan masa depan suatu bangsa sangat ditentukan
oleh generasi muda sebagai penerus bangsa. Salah satu faktor penentu kualitas generasi bangsa adalah kesehatan yang dimulai sejak dalam kandungan, saat lahir, dan saat tumbuh kembang balita hingga dewasa. Selain kesehatan balita, kesehatan ibu juga perlu diperhatikan karena secara biologis dan psikologis hubungan antara ibu dan anak sudah terbangun dengan erat sejak dalam kandungan. Ibu yang memperhatikan kondisi kesehatannya selama hamil akan memiliki balita dan anak yang sehat (BPS, 2013). Ibu yang sehat juga menciptakan keluarga sehat dan bahagia (Efendi & Makhfudli, 2009).
Investasi pada kesehatan ibu akan menghasilkan manfaat yang signifikan dalam bidang ekonomi dan sosial. Oleh karena itu, target kelima dari Millenium Development Goals (MDGs) yaitu mengenai meningkatkan kesehatan ibu. Selain itu, kesehatan ibu juga menjadi dasar yang menentukan keberhasilan pencapaian target MDGs lainnya. Bahkan dinamika peningkatan kesehatan khususnya kesehatan ibu menjadi kunci keberhasilan pembangunan di sejumlah negara (BPS, 2013). Kementerian Kesehatan RI juga menyebutkan bahwa penilaian terhadap status kesehatan dan kinerja upaya kesehatan ibu penting untuk dilakukan pemantauan dikarenakan kesehatan ibu merupakan salah satu indikator yang peka dalam menggambarkan kesejahteraan masyarakat di suatu negara (Kemenkes, 2014).
MDGs menyebutkan bahwa kesehatan ibu dapat diukur melalui angka kematian ibu (AKI). Kematian ibu menurut WHO adalah kematian selama kehamilan atau dalam periode 42 hari setelah berakhirnya kehamilan akibat semua sebab yang terkait
2
dengan atau diperberat oleh kehamilan atau penanganannya, tetapi bukan disebabkan oleh kecelakaan atau cidera. AKI di negara berkembang lebih tinggi dibandingkan dengan negara maju. AKI di negara berkembang diketahui mencapai 450 per 100.000 kelahiran hidup sedangkan AKI di negara maju hanya 30 per 100.000 kelahiran hidup (Yatim, 2008).
Survei Demografi dan Kesehatan Indonesia (SDKI) tahun 2012 menyebutkan bahwa AKI di Indonesia masih tinggi yaitu sebesar 359 per 100.000 kelahiran hidup. Target global MDGs ke-5 adalah menurunkan AKI menjadi 102 per 100.000 kelahiran hidup pada tahun 2015. Mengacu dari kondisi tersebut, potensi untuk mencapai target MDGs ke-5 untuk menurunkan AKI adalah off track, artinya diperlukan kerja keras dan sungguh-sungguh untuk mencapainya (Kemenkes, 2014).
AKI di Provinsi Jawa Timur tergolong tinggi jika dibandingkan dengan provinsi-provinsi lain di Indonesia. Provinsi Jawa Timur termasuk dalam sembilan wilayah yang ditetapkan oleh Kementrian Kesehatan RI sebagai daerah prioritas penurunan AKB dan AKI. Sebagai salah satu provinsi besar di Indonesia dengan karakteristik masyarakatnya yang beragam, Provinsi Jawa Timur mempunyai tugas yang cukup berat dalam upaya menurunkan AKI. Menjaga kesehatan ibu dan anak menjadi tanggung jawab bersama baik pemerintah, individu, keluarga, maupun masyarakat karena AKI bukan hanya peristiwa medis saja, namun ada faktor sosial yang melatarbelakanginya (BPS & BAPPEDA, 2014).
Sebagian besar kelahiran berlangsung normal, namun bisa saja tidak, misalnya saja terjadi pendarahan dan kelahiran yang sulit. Persalinan merupakan peristiwa besar sehingga komplikasi dapat menimbulkan konsekuensi yang sangat serius. Sejumlah komplikasi sewaktu melahirkan bisa dicegah jika saja perempuan memiliki akses terhadap kontrasepsi yang efektif. Saat ini hanya sekitar separuh perempuan usia 15 hingga 24 tahun yang menggunakan metode kontrasepsi modern. Berbagai potensi masalah lainnya bisa dicegah apabila para ibu memperoleh
3
perawatan yang tepat sewaktu persalinan. Sekitar 60% persalinan di Indonesia berlangsung di rumah. Kasus seperti ini, para ibu memerlukan bantuan seorang tenaga persalinan terlatih. Perempuan yang secara rutin mendatangi klinik pra persalinan biasanya mengetahui apa yang harus dilakukan apabila terjadi keadaan darurat. Selain melindungi kesehatan ibu, perawatan pra dan pasca persalinan juga memberi manfaat pada anak-anak serta dapat menyelamatkan nyawa ibu (Kemenkes, 2014).
Saat ini sudah banyak program pembangunan kesehatan di Indonesia yang ditujukan pada penanggulangan masalah-masalah kesehatan ibu dan anak. Program-program tersebut menitikberatkan pada upaya-upaya penurunan angka kematian bayi dan anak, angka kelahiran kasar, dan angka kematian ibu. Tiga indikator yang dipakai dalam upaya meningkatkan derajat kesehatan ibu adalah AKI, proporsi pertolongan persalinan oleh tenaga kesehatan terlatih dan angka pemakaian kontrasepsi (Efendi & Makhfudli, 2009). Sejak tahun 1990 hingga sekarang, upaya strategis yang dilakukan dalam upaya menekan AKI adalah dengan pendekatan safe motherhood, dengan menganggap bahwa setiap kehamilan mengandung resiko walaupun kondisi kesehatan ibu sebelum dan sesudah melahirkan dalam keadaan baik. Selanjutnya pada tahun 2012, Kementerian Kesehatan meluncurkan program Expanding Maternal and Neonatal Survival (EMAS) dalam rangka menurunkan angka kematian ibu dan neonatal sebesar 25%. Program EMAS tersebut dilaksanakan di provinsi dan kabupaten dengan jumlah kematian ibu dan neonatal yang terbesar, salah satunya adalah Provinsi Jawa Timur (Kemenkes, 2013). Hal tersebut mendorong peneliti untuk mengetahui faktor-faktor apa sajakah yang mempengaruhi AKI sehingga dapat membantu program menekan AKI khususnya di Provinsi Jawa Timur.
Penelitian mengenai kematian ibu sebelumnya telah dilakukan oleh beberapa peneliti yaitu penelitian oleh Rachmah (2014) menggunakan metode Bivaritae Poisson Regression yang menghasilkan bahwa persentase tenaga kesehatan berpengaruh
4
signifikan terhadap AKI di Provinsi Jawa Timur. Permana (2014) menggunakan metode Generalized Poisson Regression (GPR) dan regresi binomial negatif yang menghasilkan bahwa persentase ibu hamil melaksanakan program K4, persentase ibu nifas yang mendapatkan vitamin A, persentase persalinan ditolong oleh tenaga kesehatan, dan persentase ibu hamil mendapatkan Fe3 berpengaruh signifikan terhadap jumlah kematian ibu di Provinsi Jawa Timur. Arkandi (2015) menggunakan pendekatan regresi poisson bivariat yang menghasilkan bahwa pensentase kunjungan ibu hamil dengan K4 dan persentase ibu hamil yang mendapatkan tablet Fe3 berpengaruh signifikan terhadap jumlah kematian ibu di Provinsi Jawa Timur tahun 2013.Sedangkan metode regresi panel digunakan oleh Ningtyas (2015) untuk memodelkan faktor-faktor yang berpengaruh terhadap Indeks Pembangunan Manusia di Provinsi Jawa Timur dan Nurindah (2015) untuk memodelkan karakteristik pabrik gula di Pulau Jawa.
Tahun 2010 hingga 2011 AKI Provinsi Jawa Timur mengalami peningkatan, namun pada tahun 2012 hingga tahun 2014 mengalami penurunan, hal tersebut mengindikasikan adanya pengaruh waktu terhadap AKI sehingga waktu dalam hal ini tahun diperhitungkan dalam pemodelan. Maka dari itu, pada penelitian ini akan dilakukan pemodelan faktor-faktor yang berpengaruh terhadap AKI di Provinsi Jawa Timur menggunakan regresi panel dimana data yang digunakan adalah data gabungan antara data cross section dan data time series. Selain itu regresi panel lebih cocok digunakan untuk penelitian dengan observasi yang berulang-ulang serta paling cocok digunakan untuk mempelajari dinamika perubahan seperti kasus kematian ibu yang merupakan fenomena dinamika penduduk.
1.2 Rumusan Masalah Berdasarkan latar belakang yang telah diuraikan,
permasalahan yang akan dibahas pada penelitian ini adalah sebagai berikut. 1. Bagaimana karekteristik angka kematian ibu dan faktor-
faktor yang diduga mempengaruhi di Provinsi Jawa Timur?
5
2. Faktor-faktor apa sajakah yang mempengaruhi angka kematian ibu di Provinsi Jawa Timur?
1.3 Tujuan Tujuan berdasarkan permasalahan yang telah diuraikan
adalah sebagai berikut. 1. Mendeskripsikan angka kematian ibbu dan faktor-faktor
yang diduga mempengaruhi di Provinsi Jawa Timur. 2. Mengetahui faktor-faktor apa saja yang mempengaruhi
angka kematian ibu di Provinsi Jawa Timur.
1.4 Manfaat Manfaat yang diperoleh dari penelitian ini adalah sebagai
berikut. 1. Memberikan informasi kepada pembaca mengenai angka
kematian ibu dan faktor-faktor yang mempengaruhi di Provinsi Jawa Timur.
2. Memberikan informasi kepada pemerintah mengenai angka kematian ibu dan faktor-faktor yang mempengaruhi sehingga dapat membantu pencapaian program untuk mengurangi angka kematian ibu di Provinsi Jawa Timur.
1.5 Batasan Masalah Peneliti membatasi periode waktu yang digunakan adalah
selama 7 tahun yaitu mulai tahun 2008 hingga tahun 2014 serta AKI antar kabupaten/kota diasumsikan tidak berkorelasi. Penelitian kali ini menggunakan efek individu dan waktu dalam melakukan pemodelan regresi data panel.
6
(Halaman ini sengaja dikosongkan)
7
BAB II TINJAUAN PUSTAKA
Pada bab ini akan disajikan tinjauan statistik dan non statistik yang akan digunakan pada penelitian ini, antara lain statistika deskriptif, regresi panel, metode estimasi model regresi panel, pemilihan model regresi panel, uji signifikansi parameter, uji asumsi IIDN, serta tinjauan pustaka mengenai angka kematian ibu.
2.1 Statistika Deskriptif Metode statistik adalah prosedur-prosedur yang digunakan
dalam pengumpulan, penyajian, analisis, dan penafsiran data. Statistika dikelompokkan menjadi statistika deskriptif dan inferensia statistik. Statistika deskriptif adalah metode-metode yang berkaitan dengan pengumpulan dan penyajian suatu gugus data sehingga memberikan informasi yang berguna. Statistika deskriptif memberikan informasi mengenai data dan tidak menarik kesimpulan apapun tentang gugus data. Penyusunan tabel, diagram, dan grafik termasuk dalam kategori statistika deskriptif (Walpole, 1993).
2.2 Regresi Panel Regresi panel adalah regresi dengan struktur data panel. Data panel adalah gabungan dari data cross section dan data time series. Data cross section adalah nilai dari satu atau lebih variabel yang diambil dari beberapa unit sampel atau subjek pada periode waktu yang sama. Sedangkan data time series adalah nilai dari satu atau lebih variabel selama satu periode waktu. Sehingga dalam data panel, unit individu yang sama dikumpulkan dari waktu ke waktu (Gujarati & Porter, 2015). Terdapat dua macam data panel yaitu data panel balanced dan data panel unbalanced. Data panel balanced atau disebut juga data panel lengkap adalah data panel yang setiap unit cross section-nya memiliki data time series yang sama, sedangkan dikatakan data panel unbalanced atau data panel jika jumlah
8
observasi time series dari unit cross section tidak sama (Widarjono, 2013). Ada beberapa keuntungan menggunakan data panel (Gujarati & Porter, 2015) diantaranya adalah sebagai berikut. 1. Data yang digunakan berhubungan dengan individu dari
waktu ke waktu dan terdapat batasan heterogenitas dalam unit-unit.
2. Dengan menggabungkan antara observasi cross section dan time series maka data panel memberikan lebih banyak informasi, lebih banyak variasi, lebih banyak derajat bebas dan lebih efisien.
3. Dengan observasi cross section yang berulang-ulang, maka data panel paling cocok digunakan untuk mempelajari dinamika perubahan.
4. Data panel paling baik digunakan untuk mendeteksi dan mengukur dampak yang secara sederhana tidak bisa dilihat pada data cross section murni atau time series murni.
5. Data panel memudahkan untuk mempelajari model perilaku yang rumit.
6. Data panel dapat meminimumkan bias yang bisa terjadi jika mengagregasisi individu-individu ke dalam agregasi besar. Persamaan model regresi dengan menggunakan data cross
section dapat ditulis sebagai berikut. ieiXiy (2.1)
dengan i = 1,2,...,N, dimana N adalah banyaknya data cross section. Sedangkan persamaan model regresi dengan menggunakan data time series dapat ditulis sebagai berikut.
ttt eXy (2.2) dengan t = 1,2,....,T, dimana T adalah banyaknya data time series. Secara umum, persamaan model regresi panel dapat ditulis sebagai berikut. itititit ey Xβ' (2.3)
9
Keterangan : ity = variabel respon unit individu ke-i dan periode waktu ke-t it = koefisien intersep dari unit individu ke-i dan periode
waktu ke-t
'β = ),....,,( 21 k merupakan koefisien slope dengan k banyaknya variabel prediktor
itX = kititit XXX ,....,, 21 merupakan variabel prediktor dari unit individu ke-i dan periode waktu ke-t
ite = komponen residual dengan IIDN (0,σ2)
2.3 Estimasi Model Regresi Panel Untuk mengestimasi model regresi data panel ada beberapa kemungkinan yang akan muncul (Widarjono, 2013). Hal tersebut dikarenakan saat menggunakan data panel, koefisien slope dan intersep berbeda pada setiap individu dan setiap periode waktu. Kemungkinan-kemungkinan tersebut diantaranya sebagai berikut. 1. Koefisien slope dan intersep konstan sepanjang waktu dan
individu. 2. Koefisien slope konstan tetapi koefisien intersep berbeda
pada setiap individu 3. Koefisien slope konstan tetapi koefisien intersep berbeda
pada setiap individu dan waktu 4. Semua koefisien (baik koefisien slope maupun intersep)
berbeda pada setiap individu 5. Semua koefisien (baik koefisien slope maupun intersep)
berbeda sepanjang waktu dan individu. Terdapat tiga pendekatan yang sering digunakan dalam melakukan estimasi model regresi panel, diantaranya common effect model, fixed effect model, dan random effect model.
2.3.1 Common Effect Model (CEM) CEM merupakan pendekatan untuk mengestimasi data
panel yang paling sederhana. Pada pendekatan ini, seluruh data
10
digabungkan tanpa memperhatikan individu dan waktu. Pada model CEM α konstan atau sama disetiap individu maupun setiap waktu. Adapun persamaan regresi dalam CEM dapat ditulis sebagai berikut (Gujarati & Porter, 2015).
ititit ey Xβ' (2.4) Dengan hanya menggabungkan data tanpa melihat perbedaan antar waktu dan individu maka metode Ordinary Least Square (OLS) digunakan untuk mengestimasi model CEM ini (Widarjono, 2013). Secara umum, OLS atau biasa dikenal dengan metode kuadrat terkecil adalah metode yang digunakan untuk mencapai penyimpangan atau eror yang minimum. Persamaan residual dapat ditulis sebagai berikut (Nachrowi & Usman, 2006).
XβY 'e (2.5) Sehingga nantinya akan didapatkan OLS sebagai berikut. YXX)(Xβ '1' OLS (2.6) Gujarati dan Porter (2012) menyebutkan bahwa dengan menggabungkan data cross section dan data time series maka akan menutupi heterogenitas (individualitas atau keunikan) yang bisa terjadi diantara individu. Sebagai konsekuensinya, cukup besar kemungkinan bahwa error term berkorelasi dengan beberapa variabel independen dalam model. Jika ini terjadi maka koefisien estimasi kemungkinan akan bias dan tidak konsisten.
2.3.2 Fixed Effect Model (FEM) FEM merupakan pendekatan untuk mengestimasi data
panel yang dapat dibeda-bedakan berdasarkan individu dan waktu. Berikut adalah beberapa jenis model FEM. i. FEM koefisien slope konstan tetapi koefisien intersep
berbeda pada setiap individu. Pada model ini, diasumsikan bahwa tidak terdapat efek
waktu tetapi terdapat efek yang berbeda antar individu. Adapun persamaan regresi dalam FEM dapat ditulis sebagai berikut. ititiit ey Xβ' (2.7)
11
Indeks i pada intersep (αi ) menunjukkan bahwa intersep dari masing-masing individu berbeda, tetapi intersep untuk unit waktu tetap (konstan). Perbedaan intersep tersebut dapat dinyatakan dengan variabel dummy individu. ii. FEM koefisien slope konstan tetapi koefisien intersep
bervariasi pada setiap waktu. Pada model ini diasumsikan bahwa tidak terdapat efek
individu tetapi terdapat efek yang berbeda antar waktu. Adapun persamaan regresi dalam FEM dapat ditulis sebagai berikut.
itittit ey Xβ' (2.8) Indeks t pada intersep (αt ) menunjukkan bahwa intersep
dari masing-masing waktu berbeda, tetapi intersep untuk unit individu tetap (konstan). Perbedaan intersep tersebut dapat dinyatakan dengan variabel dummy waktu. iii. FEM koefisien slope konstan tetapi koefisien intersep
bervariasi pada setiap individu dan waktu Pada model ini, diasumsikan bahwa terdapat efek yang
berbeda pada setiap individu dan waktu. Adapun persamaan regresi dalam FEM dapat ditulis sebagai berikut. itittiit ey Xβ' (2.9)
i merupakan intersep untuk individu ke-i dan t merupakan intersep untuk waktu ke-t. Perbedaan intersep tersebut dapat dinyatakan dengan variabel dummy individu dan waktu.
Pada model FEM perbedaan intersep dinyatakan dalam variabel dummy sehingga dapat diestimasi menggunakan metode OLS untuk mendapatkan estimasi yang tidak bias dan konsisten (Nachrowi & Usman, 2006).
2.3.3 Random Effect Model (REM) Pendekatan model fixed effect dan model dummy untuk
data panel dapat menimbulkan permasalahan hilangnya derajat bebas dari model. Selain itu, model dummy bisa menghalangi untuk mengetahui model aslinya. Oleh karena itu, estimasi perlu dilakukan dengan model komponen error atau model efek acak.
12
Persamaan model REM dapat ditulis sebagai berikut (Gujarati & Porter, 2015).
ititit wy Xβ' (2.10) Dimana itiit ew dengan ie merupakan komponen error
individu ke-i dan it merupakan komponen error gabungan unit cross section dan time series dengan asumsi sebagai berikut.
),(~ 20 ei Ne (2.11) ),(~ 20 uit Nu (2.12)
0),( iti ueE 0)( iieeE )( ji (2.13) 0 )()()( jsitjtitisit uuEuuEuuE );( stji (2.14)
Adapun estimasi model yang digunakan adalah Generalized Least Square (GLS). Estimasi parameter dengan menggunakan metode GLS digunakan ketika asumsi-asumsi yang di syaratkan oleh OLS (homoskedastisitas dan non autokorelasi) tidak terpenuhi. Penggunaan OLS pada kondisi tersebut akan menghasilkan penduga parameter regresi yang tidak lagi efisien.
2.4 Pemilihan Model Regresi Panel Untuk mengetahui model yang akan dipakai, maka terlebih dahulu dilakukan uji spesifikasi model sebagai berikut.
2.4.1 Uji Chow Uji Chow digunakan untuk mengetahui apakah teknik
regresi data panel dengan model FEM lebih baik dari model CEM. Uji Chow ini mirip dengan uji F (Widarjono, 2013). Hipotesis yang digunakan dalam uji Chow sebagai berikut.
NH ...: 210 (Model CEM) :1H paling sedikit ada satu ji untuk ji (Model FEM)
i,j = 1,2,....,N Statistik uji :
)/()(
)/()(
kNNTR
NRRF
FE
PooledFE
2
22
1
1 (2.15)
13
Keterangan : 2pooledR = R-square model CEM 2FER = R-square model FEM
N = jumlah unit cross section T = jumlah unit time series k = jumlah parameter yang akan diestimasi Daerah penolakan : tolak H0 jika Fhitung > Fα(N-1,NT-N-k) (Asteriou & Hall, 2007).
2.4.2 Uji Hausman Uji Hausman adalah pengujian untuk memilih model
terbaik antara FEM dan REM. Hipotesis yang digunakan dalam uji Hausman sebagai berikut (Asteriou & Hall, 2007).
:0H 0),( itit eXcorr (Model REM) :1H 0),( itit eXcorr (Model FEM)
Statistik uji : )ˆˆ()]ˆvar()ˆ[var()'ˆˆ( REFEREFEREFEH 1 (2.16)
Daerah penolakan : tolak H0 jika 2kH ;
2.4.3 Uji Lagrange Multiplier (LM) Uji LM merupakan pengujian yang digunakan untuk
mengetahui apakah model REM lebih baik dari model CEM. Hipotesis yang digunakan dalam pengujian ini adalah sebagai berikut (Widarjono, 2013).
0: 20 iH (Model CEM)
0: 21 iH (Model REM)
Statistik uji : 2
1 12
1 12
112
Ni
Tt it
Ni
Tt it
e
eTNTLM
)()(
(2.17)
Dimana e adalah residual berdasarkan model CEM. Daerah penolakan : tolak H0 jika 2
kLM ;
14
2.5 Pengujian Parameter Model Regresi Panel Dalam pengujian parameter regresi, ada dua pengujian
yang harus dilakukan untuk mengetahui signifikansi dari variabel bebas yaitu pengujian serentak dan pengujian secara individu atau parsial.
2.5.1 Pengujian Serentak Pengujian serentak merupakan pengujian yang dilakukan
untuk mengetahui apakah variabel prediktor secara bersama-sama berpengaruh signifikan terhadap variabel respon. Hipotesis yang digunakan dalam pengujian serentak adalah sebagai berikut (Draper & Smith, 1998).
0...: 210 kH :1H minimal terdapat satu 0i untuk i=1,2,3,...,k
k merupakan jumlah parameter yang terdapat didalam model regresi Statistik uji :
)/())ˆ((
/))ˆ((
1211
1112
kNTityyti
kyytiFit
TN
iitTN
(2.18)
Keterangan :
ity : nilai prediksi individu ke-i untuk periode waktu ke- t pada variabel respon
iy : rata-rata nilai variabel respon pada individu ke-i k : jumlah parameter dalam model Daerah penolakan H0 adalah jika ))(,(,( 1 kNTkFF
2.5.2 Pengujian Parsial Pengujian parsial digunakan untuk mengetahui pengaruh
variabel prediktor secara individu terhadap variabel respon. Hipotesis dari pengujian secara individu adalah sebagai berikut (Draper & Smith, 1998).
0:0 iH 0:1 iH untuk i=1,2,...,k
15
Statistik uji :
)ˆ(
ˆ
i
ihitung SE
t
(2.19)
Dengan 21 )xx()( TiSE
Daerah penolakan H0 adalah jika ))((
||1
2
kNT
tt
2.6 Uji Asumsi Multikolinearitas Multikolinieritas merupakan adanya hubungan linier antar
variabel bebas atau variabel prediktor. Variabel bebas yang baik adalah variabel bebas yang mempunyai hubungan dengan variabel terikat namun tidak mempunyai hubungan dengan variabel bebas lainnya. Ada beberapa dampak yang ditimbulkan oleh multikolinieritas tersebut yang akan dijelaskan sebagai berikut (Nachrowi & Usman, 2006). 1. Apabila terjadi multikolinieritas maka varian koefisien
regresi menjadi besar. 2. Varian yang besar akan menimbulkan beberapa
permasalahan sebagai berikut. a. Lebarnya interval kepercayaan atau confidence interval. b. Selain interval kepercayaan, besarnya varian juga
mempengaruhi uji-t. Varian koefisien regresi yang besar mengakibatkan standard error juga besar. Bila standard error terlalu besar, maka besar pula kemungkinan taksiran menjadi tidak signifikan.
3. Sekalipun multikolinieritas dapat mengakibatkan banyak variabel yang tidak signifikan, tetapi koefisien determinasi (R2) tetap tinggi dan uji-F signifikan.
4. Hal lain yang kadang terjadi adalah angka estimasi koefisien regresi yang didapat akan mempunyai nilai yang tidak sesuai dengan kondisi yang diduga sehingga dapat menyesatkan interpretasi. Ada beberapa cara untuk mendeteksi multikolinearitas
diantaranya sebagai berikut.
16
1. Eigenvalues dan Conditional Index Multikolinieritas ditengarai ada didalam persamaan regresi bila nilai eigenvalues mendekati nol. Berikut adalah perhitungan Conditional Index (CI).
seigenvaluemin seigenvalueax mCI (2.20)
Jika CI berada diantara nilai 10 sampai 30 maka model mengandung multikolinieritas.
2. Tolerance (TOL) dan Variance Inflation Factor (VIF) Variabel bebas dinyatakan tidak ada multikolinieritas jika nilai TOL mendekati 1 dengan perhitungan sebagai berikut.
kjRTOL jj ,...,,; 211 2 (2.21) Variabel bebas dinyatakan tidak ada multikoliniertitas jika nilai VIF lebih dari 10 dengan perhitungan sebagai berikut.
kjRTOL
VIFj
j ,...,,; 211
112
(2.22)
Salah satu cara yang paling mudah dalam mengatasi kasus multikolinieritas adalah dengan menghilangkan variabel yang diduga menyebabkan adanya kasus multikolinieritas dengan menggunakan metode stepwise. Apabila variabel yang menyebabkan adanya kasus multikolinieritas dianggap penting, maka variabel tersebut tetap dimasukkan dalam model dan diatasi menggunakan regresi komponen utama (Principle Component Regression) kemudian memodelkannya kembali.
2.7 Pengujian Asumsi Residual IIDN Pengujian Asumsi Residual IIDN (Identik, Independen,
Distribusi Normal) merupakan uji yang harus dilakukan apakah data yang digunakan memenuhi ketiga asumsi tersebut dalam melakukan pengujian (Sudjana, 1996). Pengujian asumsi residual akan dijelaskan sebagai berikut. 1. Pengujian Asumsi Residual Identik
Pengujian ini dilakukan untuk mengetahui homogenitas varians residual. Homoskedastisitas berarti bahwa variansi dari error bersifat konstan (tetap) atau disebut juga identik. Apabila
17
terjadi kasus heteroskedastisitas, maka pengira kuadrat terkecil tetap tak bias dan konsisten, tetapi tidak efisien (variansi membesar). Dampak dari membesarnya variansi adalah pengujian parameter regresi dengan statistik uji t menjadi tidak valid dan selang kepercayaan untuk parameter regresi cenderung melebar. Hipotesis yang digunakan dalam pengujian asumsi residual identik adalah sebagai berikut.
2222
210 nH ...:
:1H minimal ada satu 22ji dimana ji
Ada beberapa cara untuk mendeteksi adanya kasus heteroskedastisitas (Gujarati & Porter, 2013) diantaranya adalah sebagai berikut.
a. Metode informal yaitu sifat persoalan dan metode grafik b. Metode formal yaitu uji korelasi spearman, uji park, uji
glejser, dan uji Goldfeld-Quandt. Diantara beberapa uji tersebut, Uji Park lebih teliti dalam
memantau gejala heteroskedastisitas dibandingkan uji lainnya. Uji Park mengasumsikan bahwa 2
i merupakan fungsi dari variabel penjelas X. Jika signifikan artinya terdapat heteroskedastisitas. Terdapat dua tahap dalam Uji Park yaitu sebagai berikut. 1. Meregresikan Y terhadap X dengan metode kuadrat terkecil
serta mendapatkan ie dan 2ie .
2. Meregresikan 2ie dengan X dengan menggunakan model
iii vX lnlnln 22 . Apabila terjadi kasus heteroskedastisitas maka diatasi
dengan metode kuadrat terkecil tertimbang (WLS). 2. Pengujian Asumsi Residual Independen Pengujian ini dilakukan untuk mengetahui autokorelasi yang sering muncul pada data time series. Otokorelasi dalam konsep regresi linier berarti komponen error berkorelasi berdasarkan urutan waktu (pada data berkala) atau urutan ruang (pada data tampang lintang), atau korelasi pada dirinya sendiri.
18
Apabila asumsi independen (tidak autokorelasi) tidak terpenuhi, maka metode estimasi dengan OLS tetap tidak bias dan konssten, tetapi tidak lagi efisien karena variansi membesar. Ada beberapa cara untuk mendeteksi autokorelasi (Gujarati & Porter, 2015) diantaranya adalah sebagai berikut.
a. Metode grafik b. Pengujian secara statistik yaitu uji tanda, uji durbin
watson, uji breusch-godfrey, dan uji fungsi autokorelasi (ACF).
Penelitian kali ini akan dilakukan uji tanda atau run test. Dasar pengujian ini sangat sederhana, yaitu hanya dengan melihat tanda residual (positif atau negatif) tanpa memperhatikan nilainya. Adapun run didefinisikan sebagai sekelompok nilai residual yang mempunyai tanda yang sama secara berturut-turut.
Hipotesis yang digunakan adalah sebagai berikut. 00 :H 01 :H
N = jumlah observasi, N1 = banyaknya residual yang bernilai positif, N2 = banyaknya residual yang bernilai negatif, dan R = run, maka jika N1 > 10 dan N2 > 10 diasumsikan jumlah Run mengikuti distribusi normal dengan :
12 21 N
NNRunEMean )( (2.23)
)(
)(1
222
21212
NNNNNNNVarian Run (2.24)
Maka kemudian dibuat selang kepercayaan (1-α) sebagai berikut. ])()([Pr // RunRun ZRunERunZRunEob 22 (2.25) Jika Run tidak berada dalam interval kepercayaan maka H0 ditolak (Nachrowi & Usman, 2006). Salah satu cara untuk mengatasi kasus otokorelasi adalah dengan menggunakan metode kuadrat terkecil minimum (Generalized Least Square). b. Pengujian Asumsi Residual Berdistribusi Normal
Pengujian ini dilakukan untuk melihat apakah residual memenuhi asumsi berdistribusi normal atau tidak. Kenormalan
19
suatu data dapat dilihat dari plotnya. Apabila plot sudah mendekati garis linier, dapat dikatakan bahwa data tersebut memenuhi asumsi yaitu berdistribusi normal. Uji kenormalan data juga dapat dilihat dari nilai Dhitung yang diperoleh dari hasil uji Kolmogorov Smirnov. Nilai Dhitung dibandingkan dengan nilai α. Hipotesisnya adalah sebagai berikut. H0 : Residual berdistribusi normal H1 : Residual tidak berdistribusi normal Statistik uji :
|)()(| 0 xFxFSupD nx (2.26) Daerah kritis :Tolak H0, jika nilai Dhitung < Dα dan residual tidak berdistribusi normal. Jadi suatu data dapat dikatakan baik apabila data tersebut memenuhi semua asumsi IIDN (Sudjana, 1996). Apabila asumsi residual berdistribusi normal tidak terpenuhi maka dilakukan transformasi variabel kemudian memodelkannya kembali.
2.8 Angka Kematian Ibu Angka kematian ibu atau AKI adalah banyaknya wanita
yang meninggal dari suatu penyebab kematian terkait dengan gangguan kehamilan atau penangangannya (tidak termasuk kecelakaan atau kasus insidentil) selama kehamilan, melahirkan dan dalam masa nifas (42 hari setelah melahirkan) tanpa memperhitungkan lama kehamilan per 100.000 kelahiran hidup. AKI memperhitungkan juga kematian ibu pada jangka waktu 6 minggu hingga setahun setelah melahirkan. AKI dipengaruhi oleh beberapa faktor termasuk status kesehatan secara umum, pendidikan, ekonomi, sosial budaya dan pelayanan kesehatan selama kehamilan dan melahirkan (BPS & BAPPEDA, 2014).
Faktor-faktor risiko yang mempengaruhi kematian maternal, yang dikelompokkan berdasarkan kerangka dari McCarthy dan Maine pada tahun 1992 dalam (Fibriana, 2007) adalah sebagai berikut.
20
1. Determinan dekat Proses yang paling dekat terhadap kejadian kematian
maternal adalah kehamilan itu sendiri dan komplikasi dalam kehamilan, persalinan dan masa nifas. Komplikasi kehamilan yang sering terjadi yaitu perdarahan, preeklamsia / eklamsia, dan infeksi. Komplikasi masa nifas terjadi menjelang persalinan, saat dan setelah persalinan terutama adalah perdarahan, partus macet atau partus lama dan infeksi akibat trauma pada persalinan.
Komplikasi kebidanan adalah kesakitan pada ibu hamil, ibu bersalin, ibu nifas, dan atau janin dalam kandungan baik langsung maupun tidak langsung, termasuk penyakit menular dan tidak menular yang dapat mengancam jiwa ibu dan atau janin, yang tidak disebabkan oleh trauma/kecelakaan. Indikator yang digunakan untuk mengukur keberhasilan pencegahan dan penanganan komplikasi kebidanan adalah cakupan penanganan komplikasi kebidanan. Indikator ini mengukur kemampuan negara dalam menyelenggarakan pelayanan kesehatan secara profesional kepada ibu hamil, bersalin, dan nifas dengan komplikasi (Kemenkes,2013). 2. Determinan antara
Determinan antara yaitu terdiri dari status kesehatan ibu, status reproduksi, akses terhadap pelayanan kesehatan, dan perilaku penggunaan fasilitas pelayanan kesehatan.
a. Status kesehatan ibu Status kesehatan ibu yang berpengaruh terhadap kejadian
kematian maternal meliputi status gizi, anemia, penyakit yang diderita ibu, dan riwayat komplikasi pada kehamilan dan persalinan sebelumnya. Anemia memberikan risiko relatif 15,3 kali untuk terjadinya kematian maternal bila dibandingkan dengan ibu hamil yang tidak menderita anemia. Anemia dapat disebabkan oleh berbagai sebab, yang dapat saling berkaitan, yaitu intake yang kurang adekuat, infestasi parasit, malaria, defisiensi zat besi, asam folat dan vitamin A.
21
b. Status reproduksi Status reproduksi yang berperan penting terhadap
kejadian kematian maternal adalah usia ibu hamil, jumlah kelahiran, jarak kehamilan dan status perkawinan ibu. Kekurangan akses ke pelayanan kesehatan untuk mendapatkan perawatan kehamilan dan persalinan merupakan penyebab yang penting bagi terjadinya kematian maternal di usia muda. Keadaan ini diperburuk oleh kemiskinan dan kebuta-hurufan, ketidak-setaraan kedudukan antara pria dan wanita, pernikahan usia muda, dan kehamilan yang tidak diinginkan. Serta jarak antar kehamilan yang terlalu dekat (kurang dari 2 tahun) dapat meningkatkan risiko untuk terjadinya kematian maternal. c. Akses terhadap pelayanan kesehatan
Pada umumnya kematian maternal di negara-negara berkembang, berkaitan dengan setidaknya satu daritiga keterlambatan (The Three Delay Models). Keterlambatan yang pertama adalah keterlambatan dalam mengambil keputusan untuk mencari perawatan kesehatan apabila terjadi komplikasi obstetrik. Keterlambatan kedua terjadi setelah keputusan untuk mencari perawatan kesehatan diambil. Keterlambatan ketiga yaitu keterlambatan dalam memperoleh perawatan di fasilitas kesehatan. d. Perilaku penggunaan fasilitas pelayanan kesehatan
Perilaku penggunaan fasilitas pelayanan kesehatan antara lain meliputi perilaku penggunaan alat kontrasepsi, dimana ibu yang mengikuti program KB akan lebih jarang melahirkan dibandingkan dengan ibu yang tidak ber KB, perilaku pemeriksaan antenatal, dimana ibu yang melakukan pemeriksaan antenatal secara teratur akan terdeteksi masalah kesehatan dan komplikasinya, penolong persalinan, dimana ibu yang ditolong oleh dukun berisiko lebih besar untuk mengalami kematian dibandingkan dengan ibu yang melahirkan dibantu oleh tenaga kesehatan, serta tempat persalinan, dimana persalinan yang dilakukan di rumah akan
22
menghambat akses untuk mendapatkan pelayanan rujukan secara cepat apabila sewaktu – waktu dibutuhkan.
Angka pemakaian kontrasepsi (CPR) adalah perbandingan antara PUS yang menjadi peserta KB aktif (peserta KB yang saat ini menggunakan salah satu alat kontrasepsi) dengan jumlah PUS, dinyatakan dalam persentase. Indikator ini digunakan untuk mengukur perbaikan kesehatan ibu melalui pengaturan kelahiran. Indikator ini juga digunakan sebagai pendekatan untuk mengukur akses terhadap pelayanan reproduksi kesehatan yang esensial.
Pelayanan antenatal merupakan pelayanan berupa pemeriksaan kehamilan rutin yang dilakukan oleh tenaga kesehatan dengan tujuan untuk mengetahui perkembangan kesehatan ibu hamil, dan diketahuinya secara dini apabila ditemukan kelainan, dan intervensi penanggulangannya (BKKBN, 2011). Cakupan pelayanan antenatal terbagi menjadi dua yaitu cakupan pelayanan antenatal satu kali (K1) dan cakupan pelayanan antenatal empat kali (K4). Cakupan pelayanan antenatal K1 adalah jumlah kunjungan layanan pemeriksaan kehamilan oleh tenaga kesehatan terlatih sebanyak satu kali pada trimester pertama. Cakupan pelayanan antenatal K4 adalah jumlah kunjungan layanan pemeriksaan kehamilan oleh tenaga kesehatan terlatih sebanyak empat kai dengan frekuensi satu kali pada trimester pertama, satu kali pada trimester kedua, dan dua kali pada trimester ketiga. Manfaat dari pemantauan cakupan layanan antenatal adalah untuk menurunkan resiko kematian ibu dan menyediakan layanan kesehatan yang standar dan peningkatan cakupan KB paska persalinan (BPS & BAPPEDA, 2014).
Proporsi pertolongan kelahiran (PPK) oleh tenaga kesehatan terlatih (TKT) adalah perbandingan antara persalinan yang ditolong oleh tenaga kesehatan terlatih
23
seperti dokter, bidan, perawat, dan tenaga medis lainnnya dengan jumlah seluruhnya, dan dinyatakan dalam persentase.
3. Determinan jauh Meskipun determinan ini tidak secara langsung
mempengaruhi kematian maternal, akan tetapi faktor sosio kultural, ekonomi, keagamaan, dan faktor-faktor lain juga perlu dipertimbangkan dan disatukan dalam pelaksanaan intervensi penanganan kematian maternal.
Determinan jauh adalah status wanita dalam keluarga dan masyarakat, yang meliputi tingkat pendidikan, dimana wanita yang berpendidikan tinggi cenderung lebih memperhatikan kesehatan diri dan keluarganya. Rendahnya pengetahuan ibu dan keluarga tentang tanda - tanda bahaya pada kehamilan mendasari pemanfaatan sistem rujukan yang masih kurang. Selain itu, kematian maternal sering terjadi pada kelompok miskin, tidak berpendidikan, tinggal di tempat terpencil, dan mereka tidak memiliki kemampuan untuk memperjuangkan kehidupannya sendiri. Wanita-wanita dari keluarga dengan pendapatan rendah memiliki risiko kurang lebih 300 kali untuk menderita kesakitan dan kematian maternal bila dibandingkan dengan mereka yang memiliki pendapatan yang lebih baik.
2.9 Penelitian Sebelumnya Sebelum penelitian ini dilakukan, telah dilakukan
penelitian-penelitian sebelumnya mengenai angka kematian ibu, diantaranya adalah sebagai berikut yang disajika dalam Tabel 2.1.
24
Tabel 2.1 Penelitian AKI
No Nama peneliti Judul Variabel Penelitian Hasil
1 Novita (2012)
Pemodelan Maternal Mortality di Jawa
Timur dengan Pendekatan
Geographically Weighted Poisson
Regression
Y : jumlah kematian ibu tiap kabupaten/kota X1 : persentase ibu hamil yang melaksanakan program K1 X2 : persentase persalinan yang dibantu oleh dukun X3 : persentase ibu hamil yang mendapatkan Fe1 X4 : persentase ibu hamil beresiko tinggi/komplikasi ditangani X5 : persentase rumah tangga hidup sehat X6 : persentase bidan X7 : persentase sarana kesehatan
Variabel yang berpengaruh signifikan terhadap kematian ibu adalah persentase ibu hamil yang melaksanakan program K1, persentase persalinan dibantu oleh dukun, persentase rumah tangga berperilaku hidup bersih sehat, dan persentase sarana kesehatan.
Tabel 2.1 Penelitian AKI (Lanjutan)
2 Permana (2014)
Pemodelan Jumlah Kematian Ibu di Jawa
Timur dengan Pendekatan
Generalized Poisson Regression (GPR) dan
Regresi Binomial Negatif
Y : jumlah kematian ibu tiap kabupaten/kota X1 : persentase ibu hamil yang melaksanakan program K1 X2 : persentase ibu hamil yang melaksanakan program K4 X3 : persentase ibu nifaas yang mendapatkan vitamin A X4 : persentase persalinan ditolong oleh tenaga kesehatan X5 : persentase persalinan dibantu oleh dukun X6 : persentase ibu hamil yang mendapatkan Fe1 X7 : persentase ibu hamil yang mendapatkan Fe3 X8 : persentase ibu hamil beresiko tinggi X9 : persentase ibu hamil komplikasi yang ditangani oleh tenaga kesehatan
1. Kota Surabaya merupakan kota dengan jumlah kematian terbanyak pada tahun 2013 2. Model terbaik menggunakan GPR menghasilkan bahwa persentase ibu hamil melaksanakan program K1, persentase ibu hamil melaksanakan program K4, persentase ibu hamil yang mendapatkan Fe1, dan persentase ibu hamil yang mendapatkan tablet Fe3 berpengaruh signifikan terhadap jumlah kematian ibu. 3. Hasil model terbaik menggunakan regresi binomial negatif adalah persentase ibu hamil melaksanakan program K4, persentase ibu nifas yang mendapatkan vitamin A, persentase persalinan ditolong oleh tenaga kesehatan, dan persentase ibu hamil yang mendapatkan Fe3 berpengaruh signifikan terhadap jumlah kematian ibu.
26
Tabel 2.1 Penelitian AKI (Lanjutan)
3 Rachmah (2014)
Pemodelan Jumlah Kematian Ibu dan
Jumlah Kematian Bayi di Provinsi Jawa Timur menggunakan Bivariate
Poisson Regression
Y1 : jumlah kasus kematian ibu Y2 : jumlah kasus kematian bayi X1 : persentase tenaga kesehatan X2 : persentase persalinan oleh tenaga kesehatan X3 : persentase ibu hamil melaksanakan program K4 X4 : persentase rumah tangga ber-PHBS X5 : persentase ibu hamil mendapatkan tablet Fe3 X6 : persentase wanita berstatus kawin dibawah usia 20 tahun X7 : persentase peserta KB aktif
1. Kasus kematian ibu paling banyak terjadi di Kota Surabaya dan kasus kematian paling sedikit terjadi di Kota Mojokerto dan Kota Pasuruan. 2. Kasus kematian bayi paling banyak terjadi di Kabupaten Jember dan kasus kematian bayi paling sedikit terjadi di Kota Mojokerto 3. Pada model bivariat poisson, variabel persentase tenaga kesehatan berpengaruh signifikan terhadap jumlah kematian ibu.
Tabel 2.1 Penelitian AKI (Lanjutan)
4 Arfan (2014)
Pendekatan Spline untuk Estimasi Kurva
Regresi Nonparametrik pada Data Angka
Kematian Maternal di Jawa Timur
Y : angka kematian maternal X1 : persentase ibu hamil yang mendapatkan tablet F31 X2 : persetase ibu hamil yang melaksanakan program K1 X3 : persentase ibu hamil beresiko tinggi/komplikasi yang ditangani X4 : persentase rumah tangga berperilaku hidup bersih dan sehat X5 : persentase penduduk perempuan yang pernah kawin dibawah umur X6 : persentase penduduk perempuan dengan pendidikan paling tinggi SD X7 : persentase balita dengan bidan sebagai penolong pertama kelahiran
Faktor yang berpengaruh signifikan pada angka kematian maternal adalah persentase ibu hamil mendapatkan tablet Fe1, persentase ibu hamil melaksanakan program K1, persentase ibu hamil beresiko tinggi/komplikasi yang ditangani, persentase rumah tangga berperilaku hidup bersih sehat, persentase penduduk perempuan yang pernah kawin dibawah umur, persentase penduduk perempuan dengan pendidikan paling tinggi SD, dan persentase balita dengan bidan sebagai penolong pertama kelahiran.
28
Tabel 2.1 Penelitian AKI (Lanjutan)
5 Arkandi (2015)
Analisis Faktor Risiko Kematian Ibu dan
Kematian Bayi dengan Pendekatan Regresi Poisson Bivariat di
Provinsi Jawa Timur Tahun 2013
Y1 : jumlah kematian ibu Y2 : jumlah kasus kematian bayi X1 : persentase kunjungan ibu hamil dengan K1 X2 : persentase kunjungan ibu hamil dengan K4 X3 : persentase ibu hamil mendapatkan tablet Fe3 X4 : persentase komplikasi kebidanan yang ditangani X5 : persentase persalinan ditolong oleh tenaga kesehatan X6 : persentase peserta KB aktif X7 : persentase rumah tangga ber-PHBS
1. Jumlah kematian ibu tertinggi terjadi di Kota Surabaya dan terendah di Kota Blitar, Kota Mojokerto, serta Kota Batu 2. Jumlah kematian bayi tertinggi terjadi di Kota Jember dan terendah di Kota Batu. 3. Variabel prediktor yang signifikan berpengaruh terhadap jumlah kematian ibu adalah persentase kunjungan ibu hamil dengan K4 dan persentase ibu hamil yang mendapatkan tablet Fe3. 4. Variabel prediktor yang signifikan berpengaruh terhadap jumlah kematian bayi adalah persentase kunjungan ibu hamil K4, persentase ibu hamil yang mendapat tablet Fe3, persentase komplikasi kebidanan yang ditangani, persentase persalinan ditolong oleh tenaga kesehatan, persentase peserta KB aktif, dan persentase rumah tangga ber-PHBS.
Penelitian-penelitian sebelumnya yang menggunakan metode regresi panel adalah sebagai berikut yang disajikan dalam Tabel 2.2.
Tabel 2.2 Penelitian Sebelumnya Menggunakan Metode Regresi Panel No Nama peneliti Judul Variabel Penelitian Hasil 1 Nurindah
(2014) Analisis Kelompok
dan Pemodelan Regresi Panel
terhadap Karakteristik Pabrik Gula di Pulau Jawa
Yit : jumlah tebu untuk observasi pabrik gula ke-i dan tahun ke-t Xit : luas areal untuk observasi pabrik ke-i dan tahun ke-t
1. Model yang terbentuk dari regresi panel dengan asumsi koefisien tetap antar waktu dan individu adalah Yit=80,7 Xit + eit 2. Model terbaik yang terbentuk dari regresi panel adalah dengan asumsi slope konstan tetapi intersep bervariasi antar individu.
2 Destilunna (2015)
Pengaruh dan Pemetaan
Pendidikan, Kesehatan, serta UMKM terhadap
IPM di Jawa Timur menggunakan
Regresi Panel dan Biplot
Y: IPM X1 : rasio siswa terhadap guru X2 : rasio siswa terhadap sekolah X3 : angka partisipasi SMP X4 : angka partisipasi SMA X5: jumlah sarana kesehatan X6 : kepadatan penduduk X7: PDRB UMKM X8 : tingkat pengangguran terbuka
1. Model regresi panel yang sesuai untuk data IPM adalah FEM 2. Terdapat enam variabel yang berpengaruh signifikan terhadap IPM yaitu rasio siswa terhadap guru, angka partisipasi SMP, angka pastisipasi SMA, kepadatan penduduk, PDRB UMKM, dan tingkat pengangguran terbuka.
30
Tabel 2.2 Penelitian Sebelumnya Menggunakan Metode Regresi Panel (Lanjutan) 3 Ningtyas
(2015) Pemodelan Faktor-
Faktor yang Berpengaruh
terhadap Indeks Pembangunan Manusia (IPM)
Kab/Kota di Jawa Timur
menggunakan Regresi Panel
Y : Indeks Pembangunan Manusia X1 : angka partisipasi sekolah SMA/sederajat X2 : angka kematian bayi X3 : jumlah sarana kesehatan X4 : pertumbuhan ekonomi X5 : persentase penduduk miskin
1. FEM merupakan model yang lebih sesuai untuk menganalisis hubungan antara variabel prediktor dan IPM dengan mengasumsikan tidak ada efek waktu dan hanya memfokuskan pada efek individu. 2. Variabel yang berpengaruh signifikan terhadap IPM adalah angka partisipasi sekolah SMA/sederajat, angka kematian bayi, jumlah sarana kesehatan, pertumbuhan ekonomi, dan persentase penduduk miskin.
31
BAB III METODOLOGI PENELITIAN
Pada bab ini akan disajikan sumber data, variabel penelitian beserta definisi operasional, langkah analisis, dan diagram alir yang digunakan dalam penyusunan penelitian ini.
3.1 Sumber Data Data yang digunakan pada penelitian ini merupakan data sekunder. Data mengenai kematian ibu, peserta KB aktif, cakupan pelayanan antenatal K4, kelahiran yang ditolong oleh tenaga kesehatan terlatih, dan komplikasi kebidanan yang ditangani diperoleh dari Profil Kesehatan Provinsi Jawa Timur yang dipublikasikan oleh Dinas Kesehatan Jawa Timur. Data perempunan kawin usia kurang dari 17 tahun, serta perempuan dengan pendidikan yang ditamatkan minimal SD diperoleh dari Hasil Survei Sosial Ekonomi Provinsi Jawa Timur yang dipublikasikan oleh Badan Pusat Statistik. Struktur data yang digunakan pada penelitian ini disajikan pada Tabel 3.1 sebagai berikut.
Tabel 3.1 Struktur Data
Subyek Tahun Variabel Respon
(Y)
Variabel Prediktor
(X1) ...
Variabel Prediktor
(X6)
Kab/kota 1
2008 Y(1;2008) X1(1;2008) ... X6(1;2008)
2009 Y(1;2009) X1(1;2009) ... X6(1;2009)
2010 Y(1;2010) X1(1;2010) ... X6(1;2010)
2011 Y(1;2011) X1(1;2011) ... X6(1;2011)
2012 Y(1;2012) X1(1;2012) ... X6(1;2012)
2013 Y(1;2013) X1(1;2013) ... X6(1;2013)
2014 Y(1;2014) X1(1;2014) ... X6(1;2014)
32
Tabel 3.1 Struktur Data (Lanjutan)
Subyek Tahun Variabel Respon
(Y)
Variabel Prediktor
(X1) ...
Variabel Prediktor
(X6)
Kab/kota 2
2008 Y(2;2008) X1(2;2008) ... X6(2;2008)
2009 Y(2;2009) X1(2;2009) ... X6(2;2009)
2010 Y(2;2010) X1(2;2010) ... X6(2;2010)
2011 Y(2;2011) X1(2;2011) ... X6(2;2011)
2012 Y(2;2012) X1(2;2012) ... X6(2;2012)
2013 Y(2;2013) X1(2;2013) ... X6(2;2013)
2014 Y(2;2014) X1(2;2014) X6(2;2014)
... ... ... ... ... ...
Kab/kota 38
2008 Y(38;2008) X1(38;2008) ... X6(38;2008)
2009 Y(38;2009) X1(38;2009) ... X6(38;2009)
2010 Y(38;2010) X1(38;2010) ... X6(38;2010)
2011 Y(38;2011) X1(38;2011) ... X6(38;2011)
2012 Y(38;2012) X1(38;2012) ... X6(38;2012)
2013 Y(38;2013) X1(38;2013) ... X6(38;2013)
2014 Y(38;2014) X1(38;2014) ... X6(38;2014)
Unit penelitian yang digunakan adalah kabupaten/kota di Jawa Timur yang disajikan pada Tabel 3.2 sebagai berikut.
Tabel 3.2 Unit Penelitian No Kabupaten/Kota No Kabupaten/Kota
1 Kabupaten Pacitan 7 Kabupaten Malang 2 Kabupaten Ponorogo 8 Kabupaten Lumajang 3 Kabupaten Trenggalek 9 Kabupaten Jember 4 Kabupaten Tulungagung 10 Kabupaten Banyuwangi 5 Kabupaten Blitar 11 Kabupaten Bondowoso 6 Kabupaten Kediri 12 Kabupaten Situbondo
33
Tabel 3.2 Unit Penelitian (Lanjutan) No Kabupaten/Kota No Kabupaten/Kota 13 Kabupaten Probolinggo 26 Kabupaten Bangkalan 14 Kabupaten Pasuruan 27 Kabupaten Sampang 15 Kabupaten Sidoarjo 28 Kabupaten Pamekasan 16 Kabupaten Mojokerto 29 Kabupaten Sumenep 17 Kabupaten Jombang 30 Kota Kediri 18 Kabupaten Nganjuk 31 Kota Blitar 19 Kabupaten Madiun 32 Kota Malang 20 Kabupaten Magetan 33 Kota Probolinggo 21 Kabupaten Ngawi 34 Kota Pasuruan 22 Kabupaten Bojonegoro 35 Kota Mojokerto 23 Kabupaten Tuban 36 Kota Madiun 24 Kabupaten Lamongan 37 Kota Surabaya 25 Kabupaten Gresik 38 Kota Batu
3.2 Variabel Penelitian Variabel penelitian yang digunakan adalah sebagai berikut
yang disajikan pada Tabel 3.3. Tabel 3.3 Variabel Penelitian
No Variabel Keterangan Skala 1 Y Angka kematian ibu Rasio
2 X1 Persentase penduduk perempuan dengan pendidikan yang ditamatkan minimal SD Rasio
3 X2 Persentase penduduk perempuan kawin usia kurang dari 17 tahun Rasio
4 X3 Persentase peserta KB aktif Rasio 5 X4 Persentase cakupan pelayanan antenatal K4 Rasio
6 X5 Persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih Rasio
7 X6 Persentase komplikasi kebidanan yang ditangani Rasio
Definisi operasional dari variabel respon dan faktor-faktor yang mempengaruhi angka kematian ibu di Provinsi Jawa Timur adalah sebagai berikut.
34
a. Y : angka kematian ibu Jumlah kematian ibu selama masa kehamilan, persalinan,
dan nifas selama periode tertentu dibagi dengan jumlah kelahiran hidup pada periode yang sama kemudian dikalikan dengan 100.000.
b. X1 : persentase penduduk perempuan dengan pendidikan yang ditamatkan minimal SD Banyaknya penduduk perempuan dengan pendidikan yang ditamatkan minimal SD dibagi dengan banyaknya penduduk perempuan kemudian dinyatakan dalam persen.
c. X2 : persentase perempuan kawin usia kurang dari 17 tahun Banyaknya perempuan yang menikah pada usia kurang dari 17 tahun dibagi banyaknya perempuan yang ada pada periode yang sama kemudian dinyatakan dalam persen.
d. X3 : persentase peserta KB aktif Banyaknya pasangan usia subur (PUS) yang pada saat ini
masih menggunakan salah satu cara atau alat kontrasepsi dibagi dengan banyaknya PUS kemudian dinyatakan dalam persen.
e. X4 : persentase cakupan pelayanan antenatal K4 Cakupan pelayanan antenatal empat kali (K4) adalah jumlah kunjungan layanan pemeriksaan kehamilan oleh tenaga kesehatan terlatih sebanyak 4 kali dengan frekuensi 1 kali pada trimester pertama, 1 kali pada trimester kedua, dan dua kali pada trimester ketiga kemudian dibagi jumlah ibu hamil pada periode yang sama dan dinyatakan dalam persen.
f. X5 : persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih Banyaknya persalinan yang ditolong oleh tenaga kesehatan terlatih seperti dokter, bidan, perawat, dan tenaga medis lainnya dibagi jumlah persalinan seluruhnya yang kemudian dinyatakan dalam persen.
35
g. X6 : persentase komplikasi kebidanan yang ditangani Jumlah komplikasi kebidanan yang ditangani dibagi dengan 20% dari keseluruhan ibu hamil pada periode yang sama kemudian dinyatakan dalam persen.
3.3 Langkah Analisis Langkah analisis yang digunakan pada penelitian ini adalah sebagai berikut. 1. Mengumpulkan data angka kematian ibu dan faktor-faktor
yang diduga mempengaruhi di Provinsi Jawa Timur. 2. Untuk menjawab rumusan masalah yang pertama, maka
dilakukan analisis statistika deskriptif pada masing-masing variabel respon dan variabel prediktor.
3. Untuk menjawab rumusan masalah yang kedua, maka dilakukan langkah-langkah sebagai berikut. a. Mendeteksi adanya kasus multikolinieritas atau tidak. b. Melakukan estimasi model regresi panel dengan
menggunakan Uji Chow. Jika keputusannya adalah H0 gagal ditolak maka model yang terpilih adalah model CEM dan dilanjutkan ke langkah d. Namun jika keputusannya adalah H0 ditolak maka model yang terpilih adalah model FEM dan dilanjutkan ke langkah c.
c. Melakukan estimasi model regresi panel dengan menggunakan Uji Hausman. Jika keputusannya H0 gagal ditolak maka model yang terpilih adalah model REM dan dilanjutkan ke langkah d. Namun apabila keputusannya adalah H0 ditolak maka model yang digunakan adalah model FEM.
d. Melakukan estimasi model regresi panel dengan menggunakan Uji LM. Jika keputusannya H0 gagal ditolak maka model yang digunakan adalah model CEM. Namun apabila keputusannya adalah H0 ditolak maka model yang digunakan adalah model REM.
e. Melakukan pengujian signifikansi parameter regresi panel secara serentak. Jika keputusan yang didapatkan
36
pada uji serentak adalah H0 ditolak maka dilanjutkan dengan melakukan uji parsial.
f. Melakukan pengujian signifikansi parameter regresi panel secara parsial. Jika minimal terdapat satu variabel prediktor yang tidak signifikan, maka dilakukan pemodelan kembali yaitu melakukan kembali estimasi model regresi panel.
g. Melakukan pengujian asumsi residual IIDN. h. Mendapatkan estimasi model regresi panel dan
menginterpretasikannya. i. Membuat kesimpulan.
3.4 Diagram Alir Diagram alir berdasarkan langkah analisis yang telah diuraikan adalah sebagai berikut yang disajikan pada Gambar 3.1.
Gambar 3.1 Diagram Alir
Mengumpulkan data
Analisis statistika deskriptif
Apakah ada kasus multikolinieritas PCR
Ya
Tidak
A
37
Gambar 3.1 Diagram Alir (Lanjutan)
Uji Chow
Uji Hausman
H0 ditolak H0 gagal ditolak
Pemilihan model terbaik
A
H0 gagal ditolak Uji LM
H0 ditolak
Uji Serentak
Uji Parsial
Estimasi Model
Interpretasi
H0 ditolak
Stop
Kesimpulan
H0 gagal ditolak
Memenuhi
H0 gagal ditolak
Asumsi residual IIDN
H0 ditolak Residual tidak identik diatasi dengan metode WLS. Residual tidak independen diatasi dengan metode GLS. Residual tidak berdistribusi normal diatasi dengan transformasi variabel
Tidak memenuhi
38
(Halaman ini sengaja dikosongkan)
39
BAB IV PEMBAHASAN
Pada bab ini akan dilakukan analisis dan pembahasan untuk menjawab permasalahan serta mencapai tujuan dari penelitian ini. Bab ini akan disajikan karakteristik angka kematian ibu di Jawa Timur pada tahun 2008 hingga tahun 2014 serta faktor-faktor yang diduga mempengaruhi. Selain itu, juga akan disajikan pemodelan angka kematian ibu di Jawa Timur menggunakan regresi data panel yang dimulai dengan deteksi multikolinieritas, pemilihan estimasi model, pengujian signifikansi parameter, uji asumsi IIDN hingga estimasi model regresi data panel.
4.1 Karakteristik Angka Kematian Ibu dan Faktor-Faktor yang Diduga Mempengaruhi Statistika deskriptif digunakan menyajikan data yang telah
dikumpulkan sehingga dapat memberikan informasi atau karakteristik mengenai data tersebut. Penelitian kali ini menyajikan data angka kematian ibu dan faktor-faktor yang diduga mempengaruhi dalam bentuk time series plot dan bar chart sehingga dapat memberikan gambaran umum mengenai data tersebut.
4.1.1 Angka Kematian Ibu Untuk mengetahui perkembangan mengenai angka kematian ibu di Provinsi Jawa Timur mulai tahun 2008 hingga tahun 2014, maka disajikan time series plot pada Gambar 4.1 sebagai berikut.
40
2014201320122011201020092008
105
100
95
90
85
Tahun
Ang
ka K
emat
ian
Ibu
93,52
97,3997,43
104,30
101,44
90,66
83,18
93,52
97,3997,43
104,30
101,44
90,66
83,18
93,52
97,3997,43
104,30
101,44
90,66
83,18
93,52
97,3997,43
104,30
101,44
90,66
83,18
93,52
97,3997,43
104,30
101,44
90,66
83,18
93,52
97,3997,43
104,30
101,44
90,66
83,18
Gambar 4.1 Angka Kematian Ibu di Provinsi Jawa Timur Tahun 2008 hingga
Tahun 2014
Gambar 4.1 menunjukkan bahwa angka kematian ibu di Provinsi Jawa Timur mengalami kenaikan pada tahun 2008 hingga tahun 2011. Namun pada tahun 2012 hingga tahun 2014 angka kematian ibu di Provinsi Jawa Timur mengalami penurunan. Tahun 2010 hingga sekarang target MDGs yaitu angka kematian ibu sebesar 102 per 100.000 kelahiran hidup. Angka kematian ibu di Provinsi Jawa Timur tahun 2010 hingga tahun 2014 telah mencapai target. Provinsi Jawa Timur memberikan dukungan ke kabupaten/kota berupa fasilitas baik dari segi manajemen program KIA (Kesehatan Ibu dan Anak) maupun sistem pancatatan dan pelaporan, peningkatan klinis keterampilan petugas di lapangan serta melibatkan multi pihak dalam pelaksanaan KIA sehingga angka kematian ibu cenderung menurun dari tahun ke tahun. Berikut adalah angka kematian ibu per kabupaten/kota di Provinsi Jawa Timur pada tahun 2008 hingga tahun 2014.
41
Kota B
atu
Kota Surab
aya
Kot a M
adiun
Kota Mojok
erto
Kota Pasu
ruan
Kot a P
robolin
ggo
Kot a M
alang
Kota B
litar
Kota Kediri
Kab. Sumenep
Kab. Pam
ekasa
n
Kab. S
ampang
Kab. B
angkal
an
Kab. Gres
ik
Kab. L
among
an
Kab. T
uban
Kab. B
ojoneg
oro
Kab. Ngaw
i
Kab. M
agetan
Kab. M
adiun
Kab. Ngan
juk
Kab. Jo
mbang
Kab. M
ojokert
o
Kab. S ido
arjo
Kab. Pasu
ruan
Kab. P
robolin
ggo
Kab. S
i tubon
do
Kab. B
ondo
woso
Kab. Ban
yuwangi
Kab. J
embe
r
Kab. Lumaja
ng
Kab. M
alang
Kab. K
ediri
Kab. Blit
ar
Kab. Tulun
gagun
g
Kab. T
rengg
alek
Kab. P
onoro
go
Kab. Paci
tan
200
150
100
50
0
Kabupaten/Kota
Ang
ka K
emat
ian
Ibu
11093,633
45,244
66,094
0,000
82,827
183,206
28,351
126,582
97,150
120,311
59,167
108,666
62,922
99,415
69,009
53,254
102,321
75,798
47,596
76,087
156,523
80,918
107,940112,601
99,548
56,933
158,874
109,170103,288
96,024
30,441
60,67758,198
99,912
73,603
127,605
103,137
52,917
Gambar 4.2 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur
Tahun 2008
Gambar 4.2 menunjukkan bahwa Kota Mojokerto memiliki angka kematian ibu terendah sebesar nol artinya tidak ada kematian ibu. Sedangkan Kota Probolinggo memiliki angka kematian tertinggi sebesar 183,206 per 100.000 kelahiran hidup. Target untuk angka kematian ibu pada tahun 2008 ini adalah sebesar 110 per 100.000 kelahiran. Gambar 4.2 juga menunjukkan bahwa dari 38 kabupaten/kota di Provinsi Jawa Timur, terdapat 7 kabupaten/kota yang belum memenuhi target yaitu Kabupaten Trenggalek, Kabupaten Situbondo, Kabupaten Sidoarjo, Kabupaten Nganjuk, Kabupaten Sumenep, Kabupaten Blitar, dan Kota Probolinggo. Berikut adalah angka kematian ibu per kabupaten/kota Provinsi Jawa Timur tahun 2009 yang disajikan pada Gambar 4.3.
42
Kota Batu
Kota Sura
baya
Kota Madiun
Kota Mojoker
to
Kota Pasu
ruan
Kota Probo
lingg
o
Kota M
alang
Kot a B
l itar
Kota Kedi
ri
Kab. Sumenep
Kab. Pam
ekasa
n
Kab. S
ampang
Kab. B
angkal
an
Kab. Gres
ik
Kab. L
among
an
Kab. T
uban
Kab. B
ojonegoro
Kab. Ngaw
i
Kab. Mageta
n
Kab. M
adiun
Kab. N
ganjuk
Kab. Jom
bang
Kab. M
oj okert
o
Kab. Sidoar
j o
Kab. P asu
ruan
Kab. Prob
olingg
o
Kab. S
itubo
ndo
Kab. Bond
owoso
Kab. B
anyu
wangi
Kab. J
ember
Kab. Lumaja
ng
Kab. Mala
ng
Kab. K
ediri
Kab. B
l itar
Kab. Tulun
gagun
g
Kab. T
rengg
alek
Kab. P
onoro
go
Kab. Paci
tan
250
200
150
100
50
0
Kabupaten/Kota
Ang
ka K
emat
ian
Ibu
11092,336
63,715
41,728
0,000
83,729
112,867120,455
50,000
175,850
231,660
45,924
106,540
45,75132,014
74,575
58,17369,456
106,95294,65289,454
101,390
68,76264,392
90,71485,70495,496
204,732197,684
97,038
134,412
80,967
53,050
74,50785,842
122,968135,300
115,636
75,863
Gambar 4.3 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur
Tahun 2009
Gambar 4.3 menunjukkan bahwa Kota Mojokerto masih memiliki angka kematian ibu terendah sebesar nol artinya tidak ada kematian ibu. Sedangkan Kabupaten Sumenep memiliki angka kematian tertinggi sebesar 231,660 per 100.000 kelahiran hidup. Target untuk angka kematian ibu pada tahun 2009 ini adalah sebesar 110 per 100.000 kelahiran. Gambar 4.3 juga menunjukkan bahwa dari 38 kabupaten/kota di Provinsi Jawa Timur, terdapat 10 kabupaten/kota yang belum memenuhi target yaitu Kabupaten Ponorogo, Kabupaten Trenggalek, Kabupaten Tulungagung, Kabupaten Jember, Kabupaten Bondowoso, Kabupaten Situbondo, Kabupaten Sumenep, Kota Kediri, Kota Malang, dan Kota Probolinggo. Berikut adalah angka kematian ibu per kabupaten/kota Provinsi Jawa Timur tahun 2010 yang disajikan pada Gambar 4.4.
43
Kota Batu
Kota Sura
baya
Kota Madiun
Kota Mojoker
to
Kota Pasu
ruan
Kota Probo
lingg
o
Kota M
alang
Kot a B
l itar
Kota Kedi
ri
Kab. Sumenep
Kab. Pam
ekasa
n
Kab. S
ampang
Kab. B
angkal
an
Kab. Gres
ik
Kab. L
among
an
Kab. T
uban
Kab. B
ojonegoro
Kab. Ngaw
i
Kab. Mageta
n
Kab. M
adiun
Kab. N
ganjuk
Kab. Jom
bang
Kab. M
oj okert
o
Kab. Sidoar
j o
Kab. P asu
ruan
Kab. Prob
olingg
o
Kab. S
itubo
ndo
Kab. Bond
owoso
Kab. B
anyu
wangi
Kab. J
ember
Kab. Lumaja
ng
Kab. Mala
ng
Kab. K
ediri
Kab. B
l itar
Kab. Tulun
gagun
g
Kab. T
rengg
alek
Kab. P
onoro
go
Kab. Paci
tan
200
150
100
50
0
Kabupaten/Kota
Ang
ka K
emat
ian
Ibu
10297,213
46,702
149,970
0,000
55,897
166,389
79,821
51,467
83,659
194,810
133,354
111,919
63,059
105,91593,696
84,97198,171
115,723
182,793
85,653
101,468
79,343
98,964
79,977
108,983
86,744
167,860
184,145
59,451
142,605
61,244
84,795
140,620
80,441
124,680
93,187
123,376128,932
Gambar 4.4 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur
Tahun 2010 Gambar 4.4 menunjukkan bahwa selama tiga tahun berturut-turut Kota Mojokerto masih memiliki angka kematian ibu terendah sebesar nol artinya tidak ada kematian ibu. Sedangkan Kabupaten Sumenep memiliki angka kematian tertinggi sebesar 194,810 per 100.000 kelahiran hidup. Target untuk angka kematian ibu pada tahun 2010 ini adalah sebesar 102 per 100.000 kelahiran. Gambar 4.4 juga menunjukkan bahwa dari 38 kabupaten/kota di Provinsi Jawa Timur, terdapat 16 kabupaten/kota yang belum memenuhi target yaitu Kabupaten Pacitan, Kabupaten Ponorogo, Kabupaten Tulungagung, Kabupaten Kediri, Kabupaten Jember, Kabupaten Bondowoso, Kabupaten Situbondo, Kabupaten Pasuruan, Kabupaten Magetan, Kabupaten Ngawi, Kabupaten Gresik, Kabupaten Sampang, Kabupaten Pamekasan, Kabupaten Sumenep, Kota Probolonggo, dan Kota Madiun. Hal tersebut menunjukkan bahwa semakin banyak kabupaten/kota yang tidak mencapai target angka kematian ibu.
44
Berikut adalah angka kematian ibu per kabupaten/kota Provinsi Jawa Timur tahun 2011 yang disajikan pada Gambar 4.5.
Kota Batu
Kota Sura
baya
Kota Madiun
Kota Mojoker
to
Kota Pasu
ruan
Kota Probo
lingg
o
Kota M
alang
Kot a B
l itar
Kota Kedi
ri
Kab. Sumenep
Kab. Pam
ekasa
n
Kab. S
ampang
Kab. B
angkal
an
Kab. Gres
ik
Kab. L
among
an
Kab. T
uban
Kab. B
ojonegoro
Kab. Ngaw
i
Kab. Mageta
n
Kab. M
adiun
Kab. N
ganjuk
Kab. Jom
bang
Kab. M
oj okert
o
Kab. Sidoar
j o
Kab. P asu
ruan
Kab. Prob
olingg
o
Kab. S
itubo
ndo
Kab. Bond
owoso
Kab. B
anyu
wangi
Kab. J
ember
Kab. Lumaja
ng
Kab. Mala
ng
Kab. K
ediri
Kab. B
l itar
Kab. Tulun
gagun
g
Kab. T
rengg
alek
Kab. P
onoro
go
Kab. Paci
tan
250
200
150
100
50
0
Kabupaten/Kota
Ang
ka K
emat
ian
Ibu
102
134,544
116,724
26,055
52,74356,275
230,643
90,431101,781108,578
86,962
128,174128,089
66,423
98,82588,713
96,87392,497
126,723118,511118,191115,966
128,529
95,958
78,18692,278
80,589
211,699
147,984
81,020
142,876
61,15563,395
120,599
125,043122,674
138,593
105,811105,166
Gambar 4.5 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur
Tahun 2011
Gambar 4.5 menunjukkan bahwa Kota Madiun memiliki angka kematian ibu terendah sebesar 26,055. Sedangkan Kota Probolinggo memiliki angka kematian tertinggi sebesar 230,643 per 100.000 kelahiran hidup. Target untuk angka kematian ibu pada tahun 2011 ini adalah sebesar 102 per 100.000 kelahiran. Gambar 4.5 juga menunjukkan bahwa dari 38 kabupaten/kota di Provinsi Jawa Timur, terdapat 20 kabupaten/kota yang belum memenuhi target yaitu Kabupaten Pacitan, Kabupaten Ponorogo, Kabupaten Trenggalek, Kabupaten Tulungagung, Kabupaten Blitar, Kabupaten Kediri, Kabupaten Jember, Kabupaten Bondowoso, Kabupaten Situbondo, Kabupaten Jombang, Kabupaten Nganjuk, Kabupaten Madiun, Kabupaten Magetan, Kabupaten Ngawi, Kabupaten Sampang, Kabupaten Pamekasan, Kota Kediri, Kota Probolinggo, Kota Surabaya, dan Kota Batu. Hal tersebut menunjukkan bahwa semakin banyak kabupaten/kota yang tidak mencapai target angka kematian ibu.
45
Berikut adalah angka kematian ibu per kabupaten/kota Provinsi Jawa Timur tahun 2012 yang disajikan pada Gambar 4.6.
Kota Batu
Kota Sura
baya
Kota Madiun
Kota Mojoker
to
Kota Pasu
ruan
Kota Probo
lingg
o
Kota M
alang
Kot a B
l itar
Kota Kedi
ri
Kab. Sumenep
Kab. Pam
ekasa
n
Kab. S
ampang
Kab. B
angkal
an
Kab. Gres
ik
Kab. L
among
an
Kab. T
uban
Kab. B
ojonegoro
Kab. Ngaw
i
Kab. Mageta
n
Kab. M
adiun
Kab. N
ganjuk
Kab. Jom
bang
Kab. M
oj okert
o
Kab. Sidoar
j o
Kab. P asu
ruan
Kab. Prob
olingg
o
Kab. S
itubo
ndo
Kab. Bond
owoso
Kab. B
anyu
wangi
Kab. J
ember
Kab. Lumaja
ng
Kab. Mala
ng
Kab. K
ediri
Kab. B
l itar
Kab. Tulun
gagun
g
Kab. T
rengg
alek
Kab. P
onoro
go
Kab. Paci
tan
350
300
250
200
150
100
50
0
Kabupaten/Kota
Ang
ka K
emat
ian
Ibu
102107,335
144,645
29,771
54,705
0,000
106,866
164,645
339,312
182,768
72,67484,916
56,453
32,596
75,96156,416
140,540
95,501106,296
35,302
108,992
151,902
102,906116,894
96,272111,681
81,072
142,873
109,499
65,562
116,443
48,55561,287
145,240
104,251
72,799
98,39698,82295,005
Gambar 4.6 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur
Tahun 2012
Gambar 4.6 menunjukkan bahwa Kota Pasuruan memiliki angka kematian ibu terendah sebesar nol artinya tidak ada kematian ibu yang dilaporkan. Sedangkan Kota Blitar memiliki angka kematian tertinggi sebesar 339,312 per 100.000 kelahiran hidup. Target untuk angka kematian ibu pada tahun 2012 ini adalah sebesar 102 per 100.000 kelahiran. Gambar 4.6 juga menunjukkan bahwa dari 38 kabupaten/kota di Provinsi Jawa Timur, terdapat 18 kabupaten/kota yang belum memenuhi target yaitu Kabupaten Blitar, Kabupaten Kediri, Kabupaten Jember, Kabupaten Bondowoso, Kabupaten Situbondo, Kabupaten Pasuruan, Kabupaten Mojokerto, Kabupaten Jombang, Kabupaten Nganjuk, Kabupaten Madiun, Kabupaten Ngawi, Kabupaten Tuban, Kota Blitar, Kota Malang, Kota Probolinggo, Kota Surabaya, dan Kota Batu. Berikut adalah angka kematian ibu per kabupaten/kota Provinsi Jawa Timur tahun 2013 yang disajikan pada Gambar 4.7.
46
Kota Batu
Kota Sura
baya
Kota Madiun
Kota Mojoker
to
Kota Pasu
ruan
Kota Probo
lingg
o
Kota M
alang
Kot a B
l itar
Kota Kedi
ri
Kab. Sumenep
Kab. Pam
ekasa
n
Kab. S
ampang
Kab. B
angkal
an
Kab. Gres
ik
Kab. L
among
an
Kab. T
uban
Kab. B
ojonegoro
Kab. Ngaw
i
Kab. Mageta
n
Kab. M
adiun
Kab. N
ganjuk
Kab. Jom
bang
Kab. M
oj okert
o
Kab. Sidoar
j o
Kab. P asu
ruan
Kab. Prob
olingg
o
Kab. S
itubo
ndo
Kab. Bond
owoso
Kab. B
anyu
wangi
Kab. J
ember
Kab. Lumaja
ng
Kab. Mala
ng
Kab. K
ediri
Kab. B
l itar
Kab. Tulun
gagun
g
Kab. T
rengg
alek
Kab. P
onoro
go
Kab. Paci
tan
200
150
100
50
0
Kabupaten/Kota
Ang
ka K
emat
ian
Ibu
102
30,817
119,149
44,57048,10054,915
212,709
149,779
49,480
74,878
58,866
98,143110,632
60,201
112,165
90,899
71,310
108,566100,192
89,196
110,831
156,658
89,722
133,950
72,823
112,355
65,927
192,351206,437
142,113
101,303
143,588
89,308
135,967
96,653
114,440103,488102,032
144,217
Gambar 4.7 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur
Tahun 2013
Gambar 4.7 menunjukkan bahwa Kota Batu memiliki angka kematian ibu terendah sebesar 30,817 per 100.000 kelahiran hidup. Sedangkan Kota Probolinggo memiliki angka kematian tertinggi sebesar 212,709 per 100.000 kelahiran hidup. Target untuk angka kematian ibu pada tahun 2013 ini adalah sebesar 102 per 100.000 kelahiran. Gambar 4.7 juga menunjukkan bahwa dari 38 kabupaten/kota di Provinsi Jawa Timur, terdapat 19 kabupaten/kota yang belum memenuhi target yaitu Kabupaten Pacitan, Kabupaten Ponorogo, Kabupaten Trenggalek, Kabupaten Tulungagung, Kabupaten Kediri, Kabupaten Lumajang, Kabupaten Banyuwangi, Kabupaten Bondowoso, Kabupaten Situbondo, Kabupaten Pasuruan, Kabupaten Mojokerto, Kabupaten Nganjuk, Kabupaten Madiun, Kabupaten Bojonegoro, Kabupaten Gresik, Kabupaten Sampang, Kota Malang, Kota Probolinggo, dan Kota Batu. Berikut adalah angka kematian ibu per kabupaten/kota Provinsi Jawa Timur tahun 2014 yang disajikan pada Gambar 4.8.
47
Kota Batu
Kota Sura
baya
Kota Madiun
Kota Mojoker
to
Kota Pasu
ruan
Kota Probo
lingg
o
Kota M
alang
Kot a B
l itar
Kota Kedi
ri
Kab. Sumenep
Kab. Pam
ekasa
n
Kab. S
ampang
Kab. B
angkal
an
Kab. Gres
ik
Kab. L
among
an
Kab. T
uban
Kab. B
ojonegoro
Kab. Ngaw
i
Kab. Mageta
n
Kab. M
adiun
Kab. N
ganjuk
Kab. Jom
bang
Kab. M
oj okert
o
Kab. Sidoar
j o
Kab. P asu
ruan
Kab. Prob
olingg
o
Kab. S
itubo
ndo
Kab. Bond
owoso
Kab. B
anyu
wangi
Kab. J
ember
Kab. Lumaja
ng
Kab. Mala
ng
Kab. K
ediri
Kab. B
l itar
Kab. Tulun
gagun
g
Kab. T
rengg
alek
Kab. P
onoro
go
Kab. Paci
tan
200
150
100
50
0
Kabupaten/Kota
Ang
ka K
emat
ian
Ibu
102
31,00
89,00
29,11
45,09
119,05
209,26
97,97
139,28
62,6063,71
95,52106,28
55,09
117,95
53,9958,6865,75
96,69
113,79
82,40
108,74
128,64
90,6880,02
107,46
130,52
185,04
156,18
93,0986,13
110,81
62,2867,61
139,36
104,43105,98
127,17118,17
Gambar 4.8 Angka Kematian Ibu per Kabupaten/Kota Provinsi Jawa Timur
Tahun 2014
Gambar 4.8 menunjukkan bahwa Kota Madiun memiliki angka kematian ibu terendah sebesar 29,11 per 100.000 kelahiran hidup. Sedangkan Kota Probolinggo memiliki angka kematian tertinggi sebesar 209,26 per 100.000 kelahiran hidup. Target untuk angka kematian ibu pada tahun 2014 ini adalah sebesar 102 per 100.000 kelahiran. Gambar 4.8 juga menunjukkan bahwa dari 38 kabupaten/kota di Provinsi Jawa Timur, terdapat 19 kabupaten/kota yang belum memenuhi target yaitu Kabupaten Pacitan, Kabupaten Ponorogo, Kabupaten Trenggalek, Kabupaten Tulungagung, Kabupaten Blitar, Kabupatrn Lumajang, Kabupaten Bondowoso, Kabupaten Situbondo, Kabupaten Probolinggo, Kabupaten Pasuruan, Kabupaten Jombang, Kabupaten Nganjuk, Kabupaten Magetan, Kabupaten Gresik, Kabupaten Sampang, Kota Blitar, Kota Probolinggo, dan Kota Pasuruan.
48
4.1.1 Persentase Penduduk Perempuan dengan Pendidikan yang Ditamatkan Minimal SD Faktor yang diduga mempengaruhi angka kematian ibu
adalah pendidikan terakhir yang ditamatkan oleh seorang perempuan. Hal tersebut dikarenakan perempuan dengan pendidikan yang tinggi cenderung lebih memperhatikan kesehatan, begitu pula ketika sedang hamil. Indikator pendidikan tertinggi yang ditamatkan merupakan indikator pokok kualitas sumber daya manusia, karena semakin tinggi ijazah yang dimiliki oleh rata-rata penduduk satu daerah mencerminkan kulaitas penduduk daerah tersebut. Berikut adalah perkembangan penduduk perempuan dengan pendidikan yang ditamatkan minimal SD di Provinsi Jawa Timur tahun 2008 hingga tahun 2014 yang disajikan pada Gambar 4.9.
2014201320122011201020092008
69
68
67
66
65
64
Tahun
Pers
enta
se P
endu
duk
Pere
mpu
an d
enga
n Pe
ndid
ikan
68,62
68,2468,09
67,2867,27
64,32
66,42
yang
Dita
mat
kan
Min
imal
SD
Gambar 4.9 Persentase Penduduk Perempuan dengan Pendidikan yang
Ditamatkan Minimal SD di Provinsi Jawa Timur
Gambar 4.9 menunjukkan bahwa persentase penduduk perempuan dengan pendidikan yang ditamatkan minimal SD di Provinsi Jawa Timur cenderung meningkat pada tahun 2010 hingga tahun 2014. Namun persentase penduduk perempuan
49
dengan pendidikan yang ditamatkan minimal SD di Provinsi Jawa Timur mengalami penurunan dan yang terendah pada tahun 2009.
4.1.2 Persentase Penduduk Perempuan Kawin Usia Kurang dari 17 Tahun Faktor yang diduga mempengaruhi angka kematian ibu
adalah penduduk perempuan kawin usia kurang dari 17 tahun. Usia perrkawinan pertama seorang perempuan berpengaruh terhadap resiko melahirkan, karena semakin muda usia perkawinan maka akan semakin besar resiko keselamatan ibu selama masa kehamilan maupun saat melahirkan. Berikut adalah perkembangan penduduk perempuan kawin usia kurang dari 17 tahun di Provinsi Jawa Timur tahun 2008 hingga tahun 2014 yang disajikan pada Gambar 4.10.
2014201320122011201020092008
34
33
32
31
30
29
28
27
26
Tahun
Pers
enta
se P
endu
duk
Pere
mpu
an K
awin
27,11
26,3326,32
28,34
30,61
31,82
33,70
Usia
Kur
ang
dari
17
Tahu
n
Gambar 4.10 Persentase Penduduk Perempuan Kawin Usia Kurang dari 17
Tahun Gambar 4.10 menunjukkan bahwa persentase penduduk perempuan kawin usia kurang dari 17 tahun di Jawa Timur cenderung menurun dari tahun 2008 hingga tahun 2012, kemudian mengalami kenaikan pada tahun 2013 dan 2014. Persentase penduduk perempuan kawin usia kurang dari 17 tahun
50
di Jawa Timur tertinggi berada pada tahun 2008, dimana pada tahun tersebut terdapat peraturan yang sudah berlaku yaitu UU No.1 tahun 1974 tentang perkawinan, dimana disebutkan bahwa batas usia minimal wanita menikah adalah 16 tahun. Kemudian dari tahun ke tahun mulai bermunculan protes dan sosialisasi baik dari Yayasan Kesehatan Perempuan maupun BKKBN untuk menaikkan batas minimal wanita menikah menjadi 21 tahun.
4.1.3 Persentase Peserta KB Aktif Faktor yang diduga mempengaruhi angka kematian ibu selanjutnya adalah peserta KB aktif. Pada usia 15-49 tahun merupakan usia subur bagi perempuan, karena pada kelompok usia ini cukup besar peluang perempuan untuk bisa hamil dan melahirkan anak. Maka dari itu progam KB sangat digalakkan bagi usia 15-49 tahun. Berikut adalah perkembangan persentase peserta KB aktif di Provinsi Jawa Timur dari tahun 2008 hingga tahun 2014 yang disajikan pada Gambar 4.11.
2014201320122011201020092008
74
73
72
71
70
69
68
67
Tahun
Pers
enta
se P
eser
ta K
B a
ktif
72,7700
73,4798
71,024971,1529
69,2460
70,8982
67,7271
Gambar 4.11 Persentase Peserta KB Aktif
Gambar 4.11 menunjukkan bahwa persentase peserta KB aktif dari tahun 2008 hingga tahun 2014 tidak stabil, yaitu selalu mengalami kenaikan dan penurunan cakupan KB aktif. Persentase
51
peserta KB aktif terendah yaitu terjadi pada tahun 2008 dan tertinggi pada tahun 2013. Penurunan peserta KB aktif diduga karena kurangnya kesadaran masyarakat akan pentingnya KB atau sistem pelaporan yang kurang tepat.
4.1.4 Persentase Cakupan Pelayanan Antenatal K4 Faktor yang diduga mempengaruhi angka kematian ibu selanjutnya adalah cakupan pelayanan antenatal K4. Cakupan pelayanan antenatal K4 merupakan gambaran besaran ibu hamil yang telah mendapatkan pelayanan antenatal sesuai standar, minimal empat kali kunjungan selama masa kehamilannya (sekali di trimester pertama, sekali di trimester kedua dan dua kali di trimester ketiga). Indikator ini berfungsi untuk menggambarkan tingkat perlindungan dan kualitas pelayanan kesehatan pada ibu hamil. Berikut adalah perkembangan persentase cakupan pelayanan antenatal K4 di Provinsi Jawa Timur dari tahun 2008 hingga tahun 2014 yang disajikan pada Gambar 4.12.
2014201320122011201020092008
89
88
87
86
85
84
Tahun
Pers
enta
se C
akup
an P
elay
anan
Ant
enat
al K
4
88,66
87,35
84,38
88,3188,07
85,90
84,32
Gambar 4.12 Persentase Cakupan Pelayanan Antenatal K4
Gambar 4.12 menunjukkan bahwa persentase cakupan pelayanan antenatal K4 di Jawa Timur cendurung mengalami kenaikan dari tahun 2008 hingga tahun 2011. Artinya terjadi
52
peningkatan kualitas pelayanan pada ibu hamil di Jawa Timur. Namun pada tahun 2012 mengalami penurunan sebesar 3,93 persen. Hal ini disebabkan karena terdapat kondisi 28 kabupaten/kota yang cakupan pelayanan antenatal K4 masih dibawah target provinsi. Selain itu terjadi perubahan data sasaran program yaitu sasaran ibu hamil yang bersumber dari data estimasi BPS Provinsi Jawa Timur. Kemudian persentase cakupan pelayanan antenatal K4 di Jawa Timur mengalami kenaikan pada tahun 2013 dan 2014.
4.1.5 Persentase Kelahiran yang Ditolong oleh Tenaga Kesehatan Terlatih
Faktor yang diduga mempengaruhi angka kematian ibu selanjutnya adalah kelahiran yang ditolong oleh tenaga kesehatan terlatih. Tenaga kesehatan terlatih yang dimasksud adalah dokter, bidan, perawat, dan tenaga medis lainnya. Berikut adalah perkembangan persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih di Provinsi Jawa Timur dari tahun 2008 hingga tahun 2014 yang disajikan pada Gambar 4.13.
2014201320122011201020092008
96
95
94
93
92
91
90
89
Tahun
Pers
enta
se K
elah
iran
yan
g D
itolo
ng o
leh
92,45
92,04
89,14
96,07
95,04
92,96
90,98
Tena
ga K
eseh
atan
Ter
latih
Gambar 4.13 Persentase Kelahiran yang Ditolong oleh Tenaga Kesehatan
Terlatih
53
Gambar 4.13 menunjukkan bahwa persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih di Provinsi Jawa Timur cenderung mengalami kenaikan kecuali pada tahun 2012. Dinas Kesehatan Provinsi Jawa Timur menyebutkan bahwa salah satu penyebabnya masih banyaknya masyarakat yang menggunakan jasa dukun untuk membantu proses melahirkan, hal tersebut juga disebabkan oleh sedikitnya bidan yang tinggal di desa. Perbandingan antara jumlah desa dan jumlah bidan yang tinggal di desa tidak seimbang. Selain itu pada tahun 2012, terjadi perubahan sasaran ibu bersalin yang disesuaikan dengan data sasaran BPS Provinsi Jawa Timur.
4.1.6 Persentase Komplikasi Kebidanan yang Ditangani Faktor yang diduga mempengaruhi angka kematian ibu
selanjutnya adalah komplikasi kebidanan yang ditangani. Komplikasi kebidanan merupakan ibu hamil dengan keadaan penyimpangan dari normal yang secara langsung menyebab-kan kesakitan dan kematian bagi ibu maupun bayinya. Berikut adalah perkembangan persentase komplikasi kebidanan yang ditangani di Provinsi Jawa Timur dari tahun 2008 hingga tahun 2014 yang disajikan pada Gambar 4.14.
2014201320122011201020092008
90
85
80
75
70
Tahun
Pers
enta
se K
ompl
ikas
i Keb
idan
an y
ang
Dita
ngan
i
91,48
85,73
83,15
79,51
68,95
84,82
81,09
Gambar 4.14 Persentase Komplikasi Kebidanan yang Ditangani
54
Gambar 4.14 menunjukkan bahwa persentase komplikasi kebidanan yang ditangani di Provinsi Jawa Timur cenderung mengalami kenaikan kecuali tahun 2010 yang mengalami penurunan cukup drastis sebesar 15,87 persen. Salah satu penyebabnya adalah pada tahun 2010 terdapat 27 kabupaten/kota dengan komplikasi kebidanan yang ditangani berada dibawah target 80 persen. Hal tersebut dikarenakan menurunnya fungsi puskesmas PONED. 4.1 Pemodelan Angka Kematian Ibu Provinsi Jawa Timur
Pemodelan angka kematian ibu menggunakan regresi data panel akan dilakukan berdasarkan model dengan semua variabel prediktor masuk ke dalam model. Asumsi yang harus dipenuhi dalam regresi data panel adalah tidak adanya korelasi yang tinggi antar variabel prediktor atau yang dikenal dengan tidak adanya kasus multikolinieritas. Untuk mengetahui adanya kasus multikolinieritas maka dilakukan dengan melihat nilai VIF pada masing-masing variabel prediktor. Nilai VIF pada masing-masing variabel prediktor disajikan pada Tabel 4.1 sebagai berikut.
Tabel 4.1 Hasil Deteksi Multikolinieritas Variabel VIF
Persentase penduduk perempuan dengan pendidikan yang ditamatkan minimal SD 3,908
Persentase penduduk perempuan kawin usia kurang dari 17 tahun 3,781 Persentase peserta KB aktif 1,024 Persentase cakupan pelayanan antenatal K4 2,032 Persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih 2,006 Persentase komplikasi kebidanan yang ditangani 1,111
Tabel 4.1 menunjukkan bahwa tidak terjadi kasus multikolinieritas pada semua variabel prediktor karena nilai VIF yang didapatkan kurang dari 10. Sehingga analisis regresi data panel dapat dilanjutkan karena telah memenuhi asumsi multikolinieritas.
55
Berikut adalah analisis regresi data panel untuk mengetahui faktor-faktor yang berpengaruh terhadap angka kematian ibu menggunakan efek individu dan waktu.
4.1.1 Pemilihan Metode Estimasi Model Angka Kematian Ibu dengan Efek Individu dan Waktu
Metode estimasi model regresi data panel terdiri dari tiga metode yaitu CEM (Common Effect Model), FEM (Fixed Effect Model), dan REM (Random Effect Model). Sebelum dilakukan pemodelan, maka terlebih dahulu dilakukan pengujian untuk mengetahui metode estimasi yang terbaik.Terdapat tiga pengujian yaitu Uji Chow, Uji Hausman, dan Uji Lagrange Multiplier. Namun, tidak semua pengujian perlu dilakukan, hal ini bergantung pada hasil pengujian sebelumnya.
a. Metode Estimasi Model dengan Semua Variabel Prediktor Langkah awal yang harus dilakukan adalah uji Chow. Uji
Chow digunakan untuk memilih model terbaik diantara model CEM atau model FEM. Hipotesis yang digunakan dalam Uji Chow adalah sebagai berikut.
38210 ...:H (Model CEM)
:1H paling sedikit ada satu ji dimana ji (Model FEM)
Untuk i,j=1,2,...38 Tabel 4.2 Hasil Uji Chow dengan Semua Variabel
F-hitung Derajat Bebas F-tabel P-Value Keputusan 3,578825 (43; 216) 1,32594 0 H0 ditolak
Tabel 4.2 menunjukkan bahwa keputusan yang didapatkan dari Uji Chow adalah H0 ditolak pada taraf signifikan 10%. Hal ini disebabkan nilai F-hitung lebih besar dari F-tabel. Sehingga model yang terpilih adalah model FEM. Tahap selanjutnya yang harus dilakukan adalah Uji Hausman karena pada Uji Chow didapatkan keputusan H0 ditolak.
56
Uji Hausman digunakan untuk memilih model terbaik diantara model REM atau model FEM. Hipotesis yang digunakan dalam Uji Hausman adalah sebagai berikut.
:0H 0),( itit eXcorr (Model REM) :1H 0),( itit eXcorr (Model FEM)
Tabel 4.3 Hasil Uji Hausman dengan Semua Variabel H Derajat Bebas χ2-tabel P-Value Keputusan
17,613499 6 10,6446 0,0073 H0 ditolak
Tabel 4.3 menunjukkan bahwa keputusan yang didapatkan dari Uji Hausman adalah H0 ditolak pada taraf signifikan 10%. Hal ini disebabkan nilai H lebih besar dari χ2-tabel. Sehingga model yang terpilih adalah model FEM. Pada tahap ini tidak dilakukan uji LM karena pada Uji Chow dan Uji Hausman telah terpilih model FEM. Sehingga model yang digunakan adalah model FEM.
Langkah selanjutnya yaitu dilakukan pengujian signifikansi parameter secara serentak maupun parsial. Pengujian secara serentak dilakukan dengan cara menguji parameter model regresi secara bersamaan untuk mengetahui adakah variabel prediktor yang signifikan terhadap variabel respon. Hipotesis yang digunakan dalam uji serentak ini adalah sebagai berikut. H0 : 0... 621 H1 : minimal terdapat satu 0i untuk i=1,2,...,6
Tabel 4.4 Hasil Uji Serentak dengan Semua Variabel F-hitung Derajat Bebas F-tabel P-Value Keputusan 4,853703 (6; 259) 1,79699 0 H0 ditolak
Tabel 4.4 menunjukkan bahwa hasil dari uji serentak adalah H0 ditolak pada taraf signifikan 10%. Hal ini disebabkan nilai F-hitung lebih besar dari F-tabel. Artinya, minimal ada satu variabel prediktor yang signifikan terhadap variabel respon. Sehingga tahap selanjutnya adalah melakukan uji parsial.
Pengujian parsial bertujuan untuk mengetahui variabel prediktor apa saja yang berpengaruh signifikan terhadap variabel
57
respon. Hipotesis yang digunakan dalam uji parsial adalah sebagai berikut. H0 : 0i H1 : 0i Untuk i=1,2,...,6
Tabel 4.5 Hasil Uji Parsial dengan Semua Variabel Variabel t-hitung P-Value Keputusan
C 2,897550 0,0041 H0 ditolak X1 -0,053113 0,9577 H0 gagal ditolak X2 0,439678 0,6606 H0 gagal ditolak X3 0,199717 0,8419 H0 gagal ditolak X4 -1,883105 0,0610 H0 ditolak X5 -1,942082 0,0534 H0 ditolak X6 0,146505 0,8837 H0 gagal ditolak
Pengujian dikatakan signifikan jika nilai |thitung| lebih besar dari t-tabel. Pada derajat bebas 259 dan taraf signifikan 10% didapatkan nilai t-tabel sebesar 1,65076. Berdasarkan Tabel 4.5, variabel X4 dan X5 berpengaruh signifikan terhadap angka kematian ibu.
b. Metode Estimasi Model dengan Variabel Prediktor yang Signifikan Pembahasan sebelumnya menghasilkan bahwa variabel
prediktor yang berpengaruh signifikan terhadap angka kematian ibu adalah persentase cakupan pelayanan antenatal K4 (X4) dan persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih (X5). Langkah selanjutnya yaitu memodelkan kembali dengan variabel prediktor yang signifikan saja untuk mendapatkan model terbaik.
Hipotesis yang digunakan dalam Uji Chow adalah sebagai berikut.
38210 ...:H (Model CEM)
:1H paling sedikit ada satu ji dimana ji (Model FEM)
58
Untuk i,j=1,2,...38 Tabel 4.6 Hasil Uji Chow dengan Variabel yang Signifikan
F-hitung Derajat Bebas F-tabel P-Value Keputusan 3,975348 (43; 220) 1,32520 0 H0 ditolak
Tabel 4.6 menunjukkan bahwa nilai F-hitung lebih besar dari F-tabel. Sehingga keputusan yang didapatkan dari Uji Chow adalah H0 ditolak pada taraf signifikan 10% dan model yang terpilih adalah model FEM. Tahap selanjutnya yang harus dilakukan adalah Uji Hausman karena pada Uji Chow didapatkan keputusan H0 ditolak. Hipotesis yang digunakan dalam Uji Hausman adalah sebagai berikut.
:0H 0),( itit eXcorr (Model REM) :1H 0),( itit eXcorr (Model FEM)
Tabel 4.7 Hasil Uji Hausman dengan Variabel yang Signifikan H Derajat Bebas χ2-tabel P-Value Keputusan
9,948364 2 4,60517 0,0069 H0 ditolak
Tabel 4.7 menunjukkan bahwa nilai statistik uji H lebih besar dari nilai χ2-tabel. Sehingga keputusan yang didapatkan adalah H0 ditolak pada taraf signifikan 10% dan model yang terpilih adalah model FEM. Pada tahap ini tidak dilakukan uji LM karena pada Uji Chow dan Uji Hausman telah terpilih model FEM. Sehingga model yang digunakan adalah model FEM.
Langkah selanjutnya yaitu dilakukan pengujian signifikansi parameter secara serentak maupun parsial. Hipotesis yang digunakan dalam uji serentak ini adalah sebagai berikut. H0 : 054 H1 : minimal terdapat satu 0i untuk i=4 dan 5
Tabel 4.8 Hasil Uji Serentak dengan Variabel yang Signifikan F-hitung Derajat Bebas F-tabel P-Value Keputusan 5,368183 (2; 263) 2,32286 0 H0 ditolak
Tabel 4.8 menunjukkan bahwa nilai F-hitung lebih besar dari F-tabel. Sehingga keputusan yang didapatkan adalah H0
59
ditolak pada taraf signifikan 10% artinya minimal ada satu variabel prediktor yang signifikan terhadap variabel respon. Sehingga tahap selanjutnya adalah melakukan uji parsial.
Hipotesis yang digunakan dalam uji parsial adalah sebagai berikut. H0 : 0i H1 : 0i Untuk i=4,5
Tabel 4.9 Hasil Uji Parsial dengan Variabel yang Signifikan Variabel t-hitung P-Value Keputusan
C 7,527346 0,0000 H0 ditolak X4 -1,897815 0,0590 H0 ditolak X5 -2,067127 0,0399 H0 ditolak
Pengujian dikatakan signifikan jika nilai |thitung| lebih besar dari t-tabel. Pada derajat bebas 263 dan taraf signifikan 10% didapatkan nilai t-tabel sebesar 1,65067. Berdasarkan Tabel 4.9, variabel X4 dan X5 berpengaruh signifikan terhadap angka kematian ibu.
4.1.2 Pengujian Asumsi Residual IIDN Langkah selanjutnya adalah melakukan uji asumsi residual
IIDN berdasarkan model yang telah didapatkan. Pengujian asumsi residual IIDN akan dibahas sebagai berikut.
a. Residual Identik Pengujian residual identik dilakukan untuk mengetahui
homogenitas varians residual. Pengujian yang digunakan adalah uji park yaitu dengan meregresikan antara )ln( 2
ie dengan )ln( 4X dan )ln( 5X . Hipotesis yang digunakan adalah sebagai berikut.
H0 : Tidak terjadi kasus heteroskedastisitas H1 : Terjadi kasus heteroskedastisitas
Tabel 4.10 Hasil Uji Park F-hitung Derajat Bebas F-tabel P-Value Keputusan
0,89 (2; 263) 2,32286 0,412 H0 gagal ditolak
60
Tabel 4.10 diatas menunjukkan bahwa hasil dari uji park adalah H0 gagal ditolak pada taraf signifikan 10%. Hal ini disebabkan nilai F-hitung lebih kecil dari F-tabel. Artinya, tidak terjadi kasus heteroskedastisitias sehingga telah memenuhi asumsi residual identik.
b. Residual Independen Pengujian residual independen dilakukan untuk mengetahui
adanya otokorelasi yang sering muncul pada data time series. Pengujian yang digunakan untuk adalah run test dengan hipotesis sebagai berikut. H0 : Tidak terjadi kasus otokorelasi H1 : Terjadi kasus otokorelasi
Tabel 4.11 Hasil Run Test R P-Value N1 N2 Keputusan
131 0,712 133 133 H0 gagal ditolak Tabel 4.11 menunjukkan bahwa hasil run test adalah H0 gagal ditolak karena P-value lebih besar dari α=0,10. Selain itu, pengambilan keputusan juga dapat melalui H0 gagal ditolak jika R berada didalam confidence interval )()( / RunZRE 2 dengan perhitungan sebagai berikut.
13411331266
133133212 21 ))(()(
NNNRE
2491661266266
266133133213313321
2222
21212 ,)(
]))()()[()(()(
)(
NNNNNnNN
Run
13948249166 ,, Run
),(),)(,()()( /
388113134139486448511342
RunZRE
Berdasarkan perhitungan diatas, maka didapatkan keputusan H0 gagal ditolak karena R berada didalam confidence interval yaitu 120,6119 < 131 < 147,3881. Artinya residual telah memenuhi asumsi residual independen.
61
a. Residual Berdistribusi Normal Asumsi yang harus dipenuhi selanjutnya adalah residual
berdistribusi normal. Untuk mengetahui apakah residual berdistribusi normal maka dilakukan dengan cara pendeteksian menggunakan normal probability plot dan secara pengujian dengan uji kolmogorov smirnov. Berikut adalah normal probability plot yang disajikan pada Gambar 1.
250200150100500-50-100
99,9
99
95
90
80
7060504030
20
10
5
1
0,1
residual
Pe
rce
nt
Mean -8,27068E-08
StDev 30,30
N 266
KS 0,068
P-Value <0,010
Probability Plot of residualNormal
Gambar 4.15 Normal Probability Plot
Gambar 4.15 menunjukkan bahwa residual data tidak berdistribusi normal karena bila dilihat secara visual plot residual tidak mengikuti garis normal. Untuk memastikan apakah residual berdistribusi normal maka dilakukan uji kolmogorov smirnov dengan hipotesis sebagai berikut. H0 : Residual berdistribusi normal H1 : Residual tidak berdistribusi normal
Tabel 4.12 Hasil Uji Kolmogorov Smirnov KS-hitung KS-tabel P-Value Keputusan
0,068 0,0748 <0,01 H0 ditolak Tabel 4.12 menunjukkan bahwa hasil dari uji kolmogorov smirnov adalah H0 ditolak. Hal ini disebabkan nilai KS-hitung
62
Artinya, residual data tidak berdistribusi normal. Telah dilakukan transformasi data beberapa kali, namun memberikan hasil yang sama yaitu residual data tidak berdistribusi normal.
4.1.1 Estimasi Model Regresi Panel Pada pembahasan sebelumnya, telah didapatkan model
terbaik yaitu model FEM dengan memperhatikan efek individu dan waktu. Sehingga model angka kematian ibu di Provinsi Jawa Timur adalah
1,367910-20178715128330 54 itittiit XXy ,,ˆ (4.1) i merupakan intersep untuk individu ke-i yaitu masing-masing kabupaten/kota di Provinsi Jawa Timur. Sedangkan
t adalah intersep untuk periode waktu ke-t. Berikut adalah nilai intersep untuk masing-masing kabupaten/kota yang disajikan melalui Tabel 4.13.
Tabel 4.13 Nilai Intersep Individu untuk Tiap Kabupaten/Kota No Kab./Kota μi No Kab./Kota μi 1 Pacitan 2,48354 20 Magetan 1,074589 2 Ponorogo 2,619507 21 Ngawi 15,56823 3 Trenggalek 2,302268 22 Bojonegoro -2,573973 4 Tulungagung 11,08721 23 Tuban -10,22307 5 Blitar 5,455327 24 Lamongan -8,89406 6 Kediri 10,94506 25 Gresik -16,02509 7 Malang -23,4222 26 Bangkalan -43,34245 8 Lumajang -12,45489 27 Sampang -15,4434 9 Jember -0,885117 28 Pamekasan -9,572804
10 Banyuwangi -15,57222 29 Sumenep 3,081361 11 Bondowoso 57,3289 30 Kota Kediri 20,50116 12 Situbondo 58,78062 31 Kota Blitar 9,128082 13 Probolinggo -15,76042 32 Kota Malang 12,58603 14 Pasuruan 2,714711 33 Kota Probolinggo 73,14332 15 Sidoarjo -3,399786 34 Kota Pasuruan -29,651 16 Mojokerto 0,667427 35 Kota Mojokerto -63,15012 17 Jombang -4,617433 36 Kota Madiun -25,08924 18 Nganjuk 25,90534 37 Kota Surabaya -0,496389 19 Madiun -3,53025 38 Kota Batu -11,26876
63
Berikut adalah nilai intersep untuk periode waktu yang disajikan melalui Tabel 4.14.
Tabel 4.14 Nilai Intersep Periode Waktu Tahun t
2008 -17,50854 2009 -5,167734 2010 8,782378 2011 15,71274 2012 -7,428609 2013 5,633971 2014 -0,024207
Persamaan 4.1 menunjukkan bahwa nilai koefisien variabel persentase cakupan pelayanan antenatal K4 (X4) sebesar 1,201787 dan bertanda negatif. Tanda negatif tersebut menunjukkan bahwa semakin tinggi persentase cakupan pelayanan antenatal K4 diharapkan angka kematian ibu menurun. Tanda koefisien varibel X2 ini telah sesuai dengan yang diharapkan. Nilai koefisien variabel persentase persalinan yang ditolong oleh tenaga kesehatan terlatih (X5) sebesar 1,367910 dan bertanda negatif. Tanda negatif tersebut menunjukkan bahwa semakin tinggi persentase persalinan yang ditolong oleh tenaga kesehatan terlatih maka diharapkan angka kematian ibu menurun. Tanda koefisien varibel X5 tersebut telah sesuai dengan yang diharapkan. Nilai koefisien determinasi (R2) dari model yang telah didapatkan adalah sebesar 52,34 persen. Artinya variabel prediktor yang digunakan dapat menjelaskan variabilitas variabel respon sebesar 52,34 persen dan sisanya 47,66 persen dijelaskan oleh variabel lain yang tidak masuk dalam model. Dengan memasukkan nilai variabel prediktor ke dalam model sesuai dengan persamaan 4.1, maka akan didapatkan nilai taksiran AKI ( ity ). Misalkan ingin mengetahui AKI Kota Probolinggo (AKI tertinggi pada tahun 2008) dan AKI Kota
64
Madiun (AKI terendah pada tahun 2014), dengan data yang terdapat pada Lampiran 1 serta nilai intersep pada Tabel 4.13 dan Tabel 4.14 maka didapatkan nilai taksiran AKI sebagai berikut.
191,8367112,1058-82,2051-386,14758
81,9541) 1,367910-
40246820178715085417143327351283302008
(
),(,,,,)(ˆ kotaoprobolinggy
Untuk Kota Madiun didapatkan nilai taksiran AKI pada tahun 2014 adalah sebagai berikut.
94752134,3955-118,0569-3994053
)248889 1,367910-
23459820178710242070089242551283302014
,,
,(
),(,,,,)(ˆ
kotamadiuny
Berdasarkan perhitungan diatas, didapatkan nilai taksiran AKI Kota Probolinggo pada tahun 2008 sebesar 191,8367 dan nilai taksiran AKI Kota Madiun pada tahun 2014 sebesar 52,947.
65
BAB V KESIMPULAN DAN SARAN
Pada bab ini akan disajikan kesimpulan berdasarkan analisis dan pembahasan yang telah dilakukan serta saran berdasarkan penelitian ini.
5.1 Kesimpulan Berdasarkan analisis dan pembahasan yang telah dilakukan pada Bab IV, maka didapatkan kesimpulan sebagai berikut. 1. Secara umum, angka kematian ibu di Provinsi Jawa Timur
mengalami kenaikan pada tahun 2008 hingga tahun 2011, namun pada tahun 2011 hingga tahun 2014 mengalami penurunan. Pada tahun 2014, terdapat 19 kabupaten/kota yang mencapai target angka kematian ibu. Persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih di Provinsi Jawa Timur cenderung mengalami kenaikan kecuali pada tahun 2012 dan bahwa persentase komplikasi kebidanan yang ditangani di Provinsi Jawa Timur cenderung mengalami kenaikan kecuali tahun 2010 yang mengalami penurunan cukup drastis sebesar 15,87 persen.
2. Model regresi panel yang sesuai untuk angka kematian ibu di Provinsi Jawa Timur adalah model FEM tanpa pembobot yang memperhatikan efek individu dan waktu. Variabel yang signifikan terhadap angka kematian ibu di Provinsi Jawa Timur adalah persentase cakupan pelayanan antenatal K4 dan Persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih.
5.2 Saran Berdasarkan hasil penelitian yang telah dilakukan, faktor yang berpengaruh terhadap angka kematian ibu di Provinsi Jawa Timur adalah persentase cakupan pelayanan antenatal K4 dan persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih. Sehingga diharapkan perempuan khususnya ibu hamil untuk meningkatkan kesadaran akan pentingnya pemeriksaan kehamilan
66
dan melaksanakan pemeriksaan kehamilan minimal empat kali kunjungan serta melakukan persalinan dengan ditolong oleh tenaga kesehatan terlatih untuk menjamin keselamatan ibu dan anak. Selain itu, diharapkan pemerintah meningkatkan penyuluhan melalui komunikasi dan edukasi yang intensif kepada ibu hamil dan keluarganya agar melakukan pemeriksaan kehamilan sesuai standar yang ditentukan, serta meningkatkan program perencanaan persalinan dan pencegahan komplikasi (P4K).
67
DAFTAR PUSTAKA Arfan, N. (2014). Pendekatan Spline untuk Estimasi Kurva
Regresi Nonparametrik pada Data Angka Kematian Maternal di Jawa Timur. Surabaya: Digilib ITS.
Arkandi, I. (2015). Analisis Faktor Risiko Kematian Ibu dan Kematian Bayi dengan Pendekatan Regresi Poisson Bivariat di Provinsi Jawa Timur Tahun 2013. Surabaya: Jurusan Statistika Institut Teknologi Sepuluh Nopember.
Asteriou, D., & Hall, S. G. (2007). Applied Econometrics. New York: Palgrave Macmillan.
BKKBN. (2011). Kamus Istilah Kependudukan & Keluarga Berencana. Jakarta: BKKBN.
BPS. (2013). Statistik Kesehatan. Jakarta: BPS. BPS, & BAPPEDA. (2014). Evaluasi Pencapaian Millenium
Development Goals (MDGs) Jawa Timur 2014. Provinsi Jawa Timur: BPS dan Badan Perencanaan dan Pembangunan Daerah Provinsi Jawa Timur.
Destilunna, F. G. (2015). Pengaruh dan Pemetaan Pendidikan, Kesehatan, serta UMKM terhadap IPM di Jawa Timur menggunakan Regresi Panel dan Biplot. Surabaya: Jurusan Statistika Institut Teknologi Sepuluh Nopember.
Draper, N. R., & Smith, H. (1998). Analisis Regresi Terapan. Diterjemahkan oleh Ir. Bambang Sumantri. Jakarta : Gramedia.
Efendi, F., & Makhfudli. (2009). Keperawatan Kesehatan Komunitas, Teori dan Praktikum dalam Keperawatan. Jakarta: Salemba Medika.
Evadianti, E. (2014). Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Geographically Weighted Negative Binomial Regression (GWNBR). Surabaya: Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember.
Fibriana, A. I. (2007). Faktor-Faktor Risiko yang Mempengaruhi Kematian Maternal (Studi Kasus Cilacap). Semarang:
68
Program Stusi Magister Epidemiologi Program Pasca Sarjana UNDIP.
Gujarati, D. N., & Porter, Dawn C. (2013). Dasar-Dasar Ekonometrika Edisi 5 Buku 1. Diterjemahkan oleh Eugenia Mardanugraha, Sita Wardhani, dan Carlos Mangunsong. Jakarta: Salemba Empat.
Gujarati, D. N., & Porter, Dawn C. (2015). Dasar-Dasar Ekonometrika Edisi 5 Buku 2. Diterjemahkan oleh Raden Carlos Mangunsong. Jakarta: Salemba Empat.
Kemenkes. (2013). Profil Kesehatan Indonesia.. Jakarta: Kementerian Kesehatan Republik Indonesia.
Kemenkes. (2014). Mother's Day. Infodatin (Pusat Data dan Informasi Kementerian Kesehatan RI), Kementerian Kesehatan RI.
Nachrowi, N. D., & Usman, H. (2006). Pendekatan Populer dan Praktis Ekonometrika untuk Analisis Ekonomi dan Keuangan. Jakarta: Fakultas Ekonomi Universitas Indonesia.
Ningtyas, M. S. (2015). Pemodelan Faktor-Faktor yang Berpengaruh terhadap Indeks Pembangunan Manusia (IPM) Kabupaten/Kota di Jawa Timur Menggunakan Regresi Panel. Surabaya: Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember.
Novita, L. (2012). Pemodelan Maternal Mortality di Jawa Timur dengan Pendekatan Geographically Weighted Poisson Regression. Surabaya: Digilib ITS.
Nurindah, A. (2014). Analisis Kelompok dan Pemodelan Regresi Panel terhadap Karakteristik Pabrik Gula di Pulau Jawa. Surabaya: Jurusan Statistika Institut Teknologi Sepuluh Nopember.
Permana, R. R. (2014). Pemodelan Jumlah Kematian Ibu di Jawa Timur dengan Pendekatan Generalized Poisson Regression (GPR) dan Regresi Binomial Negatif. Surabaya: Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember.
69
Rachmah, N. F. (2014). Pemodelan Jumlah Kematian Ibu dan Jumlah Kematian Bayi di Provinsi Jawa Timur Menggunakan Bivariate Poisson Regression. Surabaya: Jurusan Statistika FMIPA Institut Teknologi Sepuluh Nopember.
Sudjana. (1996). Teknik Analisis Regresi dan Korelasi. Bandung: Tarsito.
Walpole, R. E. (1993). Pengantar Statistika. Diterjemahkan oleh Ir. Bambang Sumantri. Jakarta: PT. Gramedia Pustaka Utama.
Widarjono, A. (2013). Ekonometrika Pengantar dan Aplikasinya Disertai Panduan Eviews Edisi 4. Yogyakarta: UPP STIM YKPN.
Yatim, F. (2008). Penyakit Kandungan Myoma, Kanker Rahim/Leher dan Indung Telur, Kista, serta Gangguan Lainnya. Jakarta: Pustaka Populer Obor.
70
(Halaman ini sengaja dikosongkan)
71
LAMPIRAN
Lampiran 1. Data Angka Kematian Ibu dan Faktor-Faktor yang Mempengaruhi di Provinsi Jawa Timur Tahun 2008 – Tahun 2014
Kabupaten/Kota Tahun Y X1 X2 X3 X4 X5 X6
Kab. Pacitan 2008 52,9171 62,12 23,24 35,58064 82,9504 93,3360 91,3543
Kab. Pacitan 2009 75,8629 63,46 23,95 32,2312 91,2262 96,0436 111,2720
Kab. Pacitan 2010 128,9324 71,08 21,78 44,60102 87,7465 94,0283 90,9091
Kab. Pacitan 2011 105,1663 69,46 18,10 46,07225 86,5801 98,6773 102,8740
Kab. Pacitan 2012 95,0054 68,83 14,37 48,47759 90,0086 92,5860 96,0052
Kab. Pacitan 2013 144,2169 68,76 13,37 99,16947 81,8512 87,5987 96,8113
Kab. Pacitan 2014 118,1684 73,21 16,06 66,06497 81,8976 86,1030 93,5626
Kab. Ponorogo 2008 103,1371 63,79 28,50 42,60435 80,3323 87,6424 70,4136
Kab. Ponorogo 2009 115,6356 58,31 28,53 91,53491 82,9908 91,2746 76,0626
Kab. Ponorogo 2010 123,3756 63,44 24,82 96,05527 87,5676 91,1163 81,2197
Kab. Ponorogo 2011 105,8115 65,40 20,66 78,91757 86,4310 92,9731 91,8226
Kab. Ponorogo 2012 98,8224 65,86 22,00 83,13284 77,5066 80,7642 84,5562
Kab. Ponorogo 2013 102,0321 70,45 20,45 79,55668 86,9327 87,7688 91,7344
Kab. Ponorogo 2014 127,1725 68,13 20,81 82,12344 86,0212 89,5178 99,9910
72
Kab. Trenggalek 2008 127,6053 69,05 30,58 66,89151 73,2127 90,5855 97,5149
Kab. Trenggalek 2009 135,2997 69,46 30,35 68,76154 69,5644 86,2049 98,5570
Kab. Trenggalek 2010 93,1870 75,47 30,48 76,75188 67,8521 92,3210 63,5810
Kab. Trenggalek 2011 138,5928 73,23 22,51 63,82962 74,0028 89,7357 81,8920
Kab. Trenggalek 2012 98,3961 73,34 23,89 69,76872 83,6385 98,8784 93,1758
Kab. Trenggalek 2013 103,4875 74,30 23,83 75,97071 84,8099 93,5023 94,2127
Kab. Trenggalek 2014 105,9771 74,67 23,63 69,00077 85,7401 91,8060 99,9135
Kab. Tulungagung 2008 73,6032 71,48 25,50 77,37976 91,7852 98,9763 70,6439
Kab. Tulungagung 2009 122,9676 75,09 23,55 29,74131 91,6479 95,1999 80,4468
Kab. Tulungagung 2010 124,6796 76,33 22,34 77,30049 91,1135 98,1928 64,5514
Kab. Tulungagung 2011 122,6743 74,64 21,81 79,56886 88,8828 96,7232 58,4427
Kab. Tulungagung 2012 72,7995 75,05 21,90 67,3373 85,0351 89,5692 60,7232
Kab. Tulungagung 2013 114,4396 72,31 21,66 71,13198 86,6758 89,0253 68,4538
Kab. Tulungagung 2014 104,4250 75,42 23,37 62,92998 90,7592 92,7467 82,6369
Kab. Blitar 2008 99,9118 67,11 26,27 76,65366 85,3365 98,9228 94,6839
Kab. Blitar 2009 85,8418 66,70 24,46 75,87575 85,9940 98,3476 107,3547
Kab. Blitar 2010 80,4413 72,37 22,95 116,1398 88,0002 97,0963 75,6665
Kab. Blitar 2011 125,0426 70,39 22,00 90,39348 89,8957 98,3160 79,8531
73
Kab. Blitar 2012 104,2511 70,87 22,08 69,57973 84,4189 89,2607 92,9407
Kab. Blitar 2013 96,6534 70,29 20,66 70,83619 82,6045 86,5223 65,1366
Kab. Blitar 2014 139,3602 73,15 20,24 62,30908 85,6601 87,2111 100,3558
Kab. Kediri 2008 58,1975 67,03 22,39 68,64207 83,3866 90,0569 61,0762
Kab. Kediri 2009 74,5069 69,35 20,84 73,65799 86,8990 95,5776 68,6217
Kab. Kediri 2010 140,6195 68,82 20,71 73,70711 89,0157 96,5056 70,0653
Kab. Kediri 2011 120,5991 72,76 17,03 74,13778 90,9242 96,7090 75,5454
Kab. Kediri 2012 145,2404 70,63 17,49 71,31974 90,7871 92,4202 89,9762
Kab. Kediri 2013 135,9674 71,74 16,48 72,5471 91,0138 91,7765 84,6102
Kab. Kediri 2014 67,6052 70,66 18,46 68,41704 91,7724 93,2807 87,3271
Kab. Malang 2008 60,6765 66,90 34,13 58,00466 84,2865 88,3437 84,0840
Kab. Malang 2009 53,0504 59,68 33,19 74,24133 86,0056 90,2819 87,1205
Kab. Malang 2010 84,7952 65,08 30,05 71,29082 90,4370 89,3541 78,4137
Kab. Malang 2011 63,3945 65,81 29,79 75,21082 94,8943 98,9320 88,9773
Kab. Malang 2012 61,2865 67,49 23,60 75,24237 94,6242 93,0740 78,5071
Kab. Malang 2013 89,3082 67,48 27,11 76,48336 95,2528 99,9941 80,1779
Kab. Malang 2014 62,2794 67,70 28,20 66,79966 97,0902 99,8489 96,2435
Kab. Lumajang 2008 30,4414 61,87 41,93 79,83859 89,6929 95,1491 98,0889
74
Kab. Lumajang 2009 80,9666 56,46 43,15 158,4381 89,9422 95,1310 106,6867
Kab. Lumajang 2010 61,2445 67,18 34,50 80,41087 90,8185 98,1136 86,3806
Kab. Lumajang 2011 61,1546 65,75 33,67 79,93785 90,3430 99,1493 105,1172
Kab. Lumajang 2012 48,5555 62,22 33,88 80,32046 91,4062 100,8318 117,4821
Kab. Lumajang 2013 143,5885 66,39 30,09 74,39252 89,3182 98,9778 100,0000
Kab. Lumajang 2014 110,8142 66,38 30,32 75,15656 87,4503 95,2585 99,7490
Kab. Jember 2008 96,0241 59,05 45,75 13,43363 77,7713 85,5694 90,4336
Kab. Jember 2009 134,4121 55,64 43,50 74,65674 78,9462 89,3198 90,2803
Kab. Jember 2010 142,6053 58,70 40,79 65,524 82,5467 94,5074 45,9648
Kab. Jember 2011 142,8760 55,71 38,89 65,91646 81,2662 95,1631 57,6719
Kab. Jember 2012 116,4428 57,39 36,13 68,76671 70,6721 85,1532 67,9640
Kab. Jember 2013 101,3029 56,36 38,13 72,84718 69,7843 82,9159 81,5717
Kab. Jember 2014 86,1279 58,29 39,52 88,65356 75,4426 83,5876 90,1831
Kab. Banyuwangi 2008 103,2880 63,45 36,52 73,57805 76,9310 89,6693 41,1999
Kab. Banyuwangi 2009 97,0382 59,06 35,34 74,6691 78,4671 92,0545 49,3662
Kab. Banyuwangi 2010 59,4505 62,98 31,04 78,66398 80,3709 96,7456 44,9954
Kab. Banyuwangi 2011 81,0200 61,90 33,36 78,1534 82,7344 96,4265 58,3552
Kab. Banyuwangi 2012 65,5623 63,64 30,79 76,15295 79,8867 87,0404 72,4372
75
Kab. Banyuwangi 2013 142,1127 62,31 28,15 66,49495 82,5811 89,3403 82,0569
Kab. Banyuwangi 2014 93,0862 62,08 30,85 65,8379 87,9108 91,5661 86,0760
Kab. Bondowoso 2008 109,1703 54,93 63,64 84,60009 89,9152 90,9284 92,8753
Kab. Bondowoso 2009 197,6843 50,04 65,81 78,48551 86,2131 83,9189 87,6373
Kab. Bondowoso 2010 184,1451 50,04 58,78 84,66964 85,8717 88,9887 77,6274
Kab. Bondowoso 2011 147,9837 51,11 59,09 76,73953 90,7403 91,6541 93,4219
Kab. Bondowoso 2012 109,4990 54,19 52,66 71,62396 91,6051 90,8023 90,0770
Kab. Bondowoso 2013 206,4371 50,10 53,26 99,46996 86,9235 91,3913 100,0000
Kab. Bondowoso 2014 156,1782 50,09 56,71 71,30468 87,6486 91,0032 87,3682
Kab. Situbondo 2008 158,8743 53,10 59,71 58,22243 69,8451 82,0198 73,6743
Kab. Situbondo 2009 204,7316 51,24 56,28 66,66971 73,6335 85,2793 76,3521
Kab. Situbondo 2010 167,8603 52,41 62,70 70,3384 76,4846 90,0830 65,0238
Kab. Situbondo 2011 211,6992 53,93 56,98 74,7968 82,2743 91,6568 79,5230
Kab. Situbondo 2012 142,8728 53,76 50,26 78,70673 75,2098 82,0789 85,1474
Kab. Situbondo 2013 192,3512 54,01 51,54 84,0985 76,9935 81,6326 87,2795
Kab. Situbondo 2014 185,0441 57,09 50,08 67,79005 80,4395 85,8329 100,0326
Kab. Probolinggo 2008 56,9329 53,52 60,72 77,90339 90,5371 92,9726 73,8634
Kab. Probolinggo 2009 95,4958 49,95 54,80 79,99739 90,6839 94,6830 86,6634
76
Kab. Probolinggo 2010 86,7444 54,87 59,27 69,27034 91,1255 97,4995 60,5940
Kab. Probolinggo 2011 80,5888 54,73 55,79 73,6971 88,3454 97,3744 80,6089
Kab. Probolinggo 2012 81,0723 54,13 50,70 74,13359 79,4107 87,2308 97,5407
Kab. Probolinggo 2013 65,9268 59,74 48,09 72,25432 78,5247 87,1138 100,0000
Kab. Probolinggo 2014 130,5199 57,40 53,07 61,88998 83,3684 88,2816 100,0619
Kab. Pasuruan 2008 99,5479 65,41 34,44 72,8854 86,6477 86,9021 81,4608
Kab. Pasuruan 2009 85,7038 62,76 33,33 68,80663 89,0115 89,9819 84,8036
Kab. Pasuruan 2010 108,9827 61,65 33,63 80,06221 91,7579 94,6158 67,8368
Kab. Pasuruan 2011 92,2780 62,05 31,62 84,56233 92,0584 95,1991 85,8893
Kab. Pasuruan 2012 111,6810 65,65 25,81 88,38067 82,7990 86,0158 82,2273
Kab. Pasuruan 2013 112,3550 64,56 30,25 96,38104 85,8629 89,9918 86,5117
Kab. Pasuruan 2014 107,4650 66,35 28,45 69,11918 89,8947 94,6425 93,9182
Kab. Sidoarjo 2008 112,6011 82,90 13,96 79,48404 87,9639 98,5547 90,0406
Kab. Sidoarjo 2009 90,7145 81,09 11,96 88,07951 88,5830 95,3446 83,7100
Kab. Sidoarjo 2010 79,9767 80,60 13,92 96,22922 93,8322 99,0240 47,3296
Kab. Sidoarjo 2011 78,1861 83,48 10,07 84,86089 90,1058 93,7347 73,7867
Kab. Sidoarjo 2012 96,2720 84,27 10,59 84,212 80,8658 84,9409 64,8185
Kab. Sidoarjo 2013 72,8230 86,63 8,72 75,2767 97,3871 100,0000 68,4021
77
Kab. Sidoarjo 2014 80,0160 85,16 8,23 71,45766 94,9347 99,2511 64,6057
Kab. Mojokerto 2008 107,9396 69,17 29,58 81,53194 84,8083 95,6770 101,9062
Kab. Mojokerto 2009 64,3915 72,53 25,14 77,40651 86,5893 100,2969 99,0432
Kab. Mojokerto 2010 98,9638 72,31 24,31 76,13154 90,5754 98,6754 58,9583
Kab. Mojokerto 2011 95,9578 71,68 18,89 74,41256 85,9013 99,8277 75,8113
Kab. Mojokerto 2012 116,8943 73,41 20,49 73,79236 78,8891 86,5645 81,8013
Kab. Mojokerto 2013 133,9503 73,36 21,34 75,45942 81,1589 87,9868 89,6955
Kab. Mojokerto 2014 90,6783 75,18 23,06 78,71997 83,1394 88,2924 102,2612
Kab. Jombang 2008 80,9184 71,44 24,20 81,46404 79,4830 90,4378 81,2942
Kab. Jombang 2009 68,7623 69,32 23,33 81,37883 83,0105 93,6796 92,6167
Kab. Jombang 2010 79,3429 73,28 22,28 82,85138 86,1065 96,4245 92,6090
Kab. Jombang 2011 128,5286 71,72 20,65 71,50133 87,4857 96,3001 98,1301
Kab. Jombang 2012 102,9059 72,97 18,50 70,33793 86,5633 90,3310 94,2128
Kab. Jombang 2013 89,7219 74,33 18,62 73,44033 85,7940 88,1860 95,1134
Kab. Jombang 2014 128,6365 74,98 20,05 68,30626 89,4681 90,8016 105,7893
Kab. Nganjuk 2008 156,5228 69,71 31,24 107,5112 86,1167 95,1261 74,8921
Kab. Nganjuk 2009 101,3896 64,99 27,24 54,31383 87,1156 95,3398 75,4613
Kab. Nganjuk 2010 101,4683 69,85 24,59 4,787168 86,2544 97,1422 82,2948
78
Kab. Nganjuk 2011 115,9665 70,63 19,79 99,34196 85,4709 94,9717 110,6641
Kab. Nganjuk 2012 151,9018 72,63 18,05 70,73386 84,4619 93,3204 94,6845
Kab. Nganjuk 2013 156,6580 68,72 21,60 77,61427 78,9753 87,8223 92,6776
Kab. Nganjuk 2014 108,7374 71,19 21,60 77,31396 80,6944 90,0653 99,9918
Kab. Madiun 2008 76,0870 67,19 26,31 70,06869 91,9055 98,6594 86,4599
Kab. Madiun 2009 89,4543 65,77 32,76 63,41197 91,3268 99,4687 89,8049
Kab. Madiun 2010 85,6531 68,70 29,47 69,0301 87,6755 96,6470 58,9602
Kab. Madiun 2011 118,1906 67,59 23,59 82,90041 88,6920 95,1708 78,7104
Kab. Madiun 2012 108,9918 67,73 22,58 82,49674 73,3107 75,0618 62,0808
Kab. Madiun 2013 110,8312 66,57 21,88 83,44967 88,8171 90,4598 76,3827
Kab. Madiun 2014 82,3978 69,97 21,96 79,10275 89,5277 89,8038 85,1833
Kab. Magetan 2008 47,5964 68,92 28,61 69,32317 82,1800 101,0956 62,5691
Kab. Magetan 2009 94,6522 68,97 29,28 72,10848 83,7667 97,2627 67,6205
Kab. Magetan 2010 182,7931 71,76 24,76 65,12574 90,0881 96,3626 70,1246
Kab. Magetan 2011 118,5115 69,36 22,81 78,97366 91,4412 98,6433 80,3265
Kab. Magetan 2012 35,3024 72,62 22,36 71,42084 82,0354 85,5176 80,5506
Kab. Magetan 2013 89,1961 72,24 23,94 59,5522 90,3851 91,8726 90,2874
Kab. Magetan 2014 113,7915 74,60 21,11 69,89555 90,5956 91,2681 98,9342
79
Kab. Ngawi 2008 75,7978 60,12 30,72 81,74728 94,1721 102,5760 96,2169
Kab. Ngawi 2009 106,9519 60,33 27,55 83,71914 93,4165 101,3584 94,7133
Kab. Ngawi 2010 115,7229 61,82 25,72 56,49678 92,5510 99,8770 82,1507
Kab. Ngawi 2011 126,7226 66,82 25,42 80,68137 89,7338 97,1240 93,9773
Kab. Ngawi 2012 106,2960 64,08 26,81 74,51736 92,2621 93,9201 95,9734
Kab. Ngawi 2013 100,1920 66,01 24,40 72,45955 90,5826 92,9471 94,6889
Kab. Ngawi 2014 96,6863 66,78 25,13 72,62096 86,3980 89,2274 96,3135
Kab. Bojonegoro 2008 102,3211 63,34 45,03 68,54152 81,1543 91,7960 73,0915
Kab. Bojonegoro 2009 69,4556 63,82 36,89 76,01765 85,0436 94,5009 74,7118
Kab. Bojonegoro 2010 98,1709 65,02 36,35 79,09151 85,0224 97,7101 71,4859
Kab. Bojonegoro 2011 92,4974 66,94 34,44 75,08768 90,6308 99,3413 104,6775
Kab. Bojonegoro 2012 95,5008 67,78 31,02 78,32993 92,4468 98,3986 122,4125
Kab. Bojonegoro 2013 108,5658 66,62 33,27 77,24194 87,5916 97,3516 100,0000
Kab. Bojonegoro 2014 65,7534 66,53 31,23 77,0235 91,3024 98,1247 99,9925
Kab. Tuban 2008 53,2538 65,67 36,57 78,29449 89,3484 97,6363 87,9063
Kab. Tuban 2009 58,1734 61,16 37,81 82,08833 89,3983 98,4500 87,9656
Kab. Tuban 2010 84,9708 65,89 34,67 84,34911 90,2508 98,4280 81,6429
Kab. Tuban 2011 96,8731 65,10 31,22 78,42358 89,8240 97,3207 95,6697
80
Kab. Tuban 2012 140,5399 64,63 33,15 63,11178 87,4719 93,7579 84,9363
Kab. Tuban 2013 71,3097 68,00 29,51 75,01396 89,6060 93,4468 80,3818
Kab. Tuban 2014 58,6751 67,01 27,08 68,19669 92,6021 95,6444 89,7564
Kab. Lamongan 2008 69,0094 64,70 43,36 73,33793 86,5158 93,8991 79,7285
Kab. Lamongan 2009 74,5749 62,00 38,79 74,80482 93,6672 95,4964 92,9361
Kab. Lamongan 2010 93,6963 66,72 37,44 80,03861 95,0967 96,7416 71,9793
Kab. Lamongan 2011 88,7126 66,80 36,37 78,5819 95,1983 96,5958 64,7768
Kab. Lamongan 2012 56,4160 67,92 31,56 70,50667 101,5512 101,4050 89,1539
Kab. Lamongan 2013 90,8994 69,78 32,16 65,56648 95,3973 96,8437 91,3134
Kab. Lamongan 2014 53,9928 68,99 33,68 75,16371 95,5081 96,9310 89,1666
Kab. Gresik 2008 99,4152 74,68 24,36 74,51782 69,6966 84,4455 81,4790
Kab. Gresik 2009 32,0137 73,78 22,19 76,40329 74,8820 92,7132 117,7171
Kab. Gresik 2010 105,9154 78,26 22,16 81,49715 86,2171 96,3092 72,7741
Kab. Gresik 2011 98,8245 77,26 21,98 80,20273 87,5765 98,4454 68,1620
Kab. Gresik 2012 75,9609 79,80 16,30 73,66421 82,5157 88,9638 125,8397
Kab. Gresik 2013 112,1648 79,85 19,06 72,2674 82,5638 89,3888 98,0727
Kab. Gresik 2014 117,9548 77,67 20,28 69,76809 85,3082 89,8612 101,0177
Kab. Bangkalan 2008 62,9219 43,80 43,23 56,71356 78,0011 84,3289 62,8969
81
Kab. Bangkalan 2009 45,7509 43,22 38,58 59,81665 82,8458 88,5885 55,6115
Kab. Bangkalan 2010 63,0589 49,00 37,34 68,38825 84,5154 90,8211 53,2061
Kab. Bangkalan 2011 66,4231 49,27 30,04 69,82632 88,6328 95,8861 53,5107
Kab. Bangkalan 2012 32,5963 57,55 25,12 69,45066 93,9770 98,9832 63,9840
Kab. Bangkalan 2013 60,2014 54,24 27,14 33,06031 93,1981 97,6307 60,8128
Kab. Bangkalan 2014 55,0873 54,59 29,37 65,59182 89,1072 94,9221 67,8659
Kab. Sampang 2008 108,6661 37,87 49,66 102,4078 69,9995 73,5637 76,1682
Kab. Sampang 2009 106,5404 33,78 42,78 31,67687 69,2056 80,0099 75,0856
Kab. Sampang 2010 111,9194 33,84 47,45 54,87832 75,1086 87,6727 56,9732
Kab. Sampang 2011 128,0888 36,71 42,75 29,10128 79,0147 93,3190 66,2708
Kab. Sampang 2012 56,4525 37,04 45,72 98,59993 83,7239 96,6478 92,4265
Kab. Sampang 2013 110,6324 37,34 43,33 80,37368 79,9831 92,3537 89,6956
Kab. Sampang 2014 106,2825 40,84 43,47 290,6771 76,4178 87,4432 93,4251
Kab. Pamekasan 2008 59,1672 56,63 36,85 50,99178 93,0075 94,1253 68,1273
Kab. Pamekasan 2009 45,9242 49,91 44,59 58,45597 84,7867 86,9184 66,6215
Kab. Pamekasan 2010 133,3543 57,19 41,80 66,11906 86,8957 91,1954 45,9303
Kab. Pamekasan 2011 128,1743 56,97 40,89 8,663739 85,2362 89,7780 57,2235
Kab. Pamekasan 2012 84,9159 57,66 40,50 20,06704 90,3029 90,7418 67,4447
82
Kab. Pamekasan 2013 98,1428 60,09 28,85 60,8746 87,9338 88,5025 72,6284
Kab. Pamekasan 2014 95,5180 55,69 35,77 55,27736 87,8112 88,2489 73,9713
Kab. Sumenep 2008 120,3114 51,60 55,39 70,83448 75,0016 75,3992 63,2354
Kab. Sumenep 2009 231,6602 50,39 48,61 79,54472 76,1183 79,8315 53,9513
Kab. Sumenep 2010 194,8097 53,14 47,79 30,23608 76,0217 85,4990 48,8554
Kab. Sumenep 2011 86,9623 47,83 45,55 61,61199 82,3073 94,0841 56,6154
Kab. Sumenep 2012 72,6744 48,90 42,33 72,25542 76,0532 86,9492 49,6483
Kab. Sumenep 2013 58,8659 48,44 45,08 71,00956 86,8354 91,8468 70,1577
Kab. Sumenep 2014 63,7105 50,39 43,98 66,10052 90,2359 93,2073 69,9843
Kota Kediri 2008 97,1503 85,44 11,78 36,92225 82,2410 88,8025 91,0412
Kota Kediri 2009 175,8499 82,68 14,02 82,87588 88,8624 98,8735 87,6425
Kota Kediri 2010 83,6587 81,60 12,12 68,25593 96,8508 99,3314 71,3904
Kota Kediri 2011 108,5776 85,79 13,03 66,99204 100,9341 106,7442 106,3517
Kota Kediri 2012 182,7676 81,34 10,51 75,29972 75,1471 75,0194 74,6630
Kota Kediri 2013 74,8783 83,59 8,17 63,02666 100,0000 100,0028 83,8855
Kota Kediri 2014 62,6043 83,08 11,20 64,88002 92,3167 94,1728 93,2188
Kota Blitar 2008 126,5823 82,33 14,99 55,04204 76,5524 80,0202 80,3985
Kota Blitar 2009 50,0000 80,13 11,50 88,86779 84,4233 99,4560 73,3424
83
Kota Blitar 2010 51,4668 84,16 14,98 76,34901 84,9352 95,0341 42,4676
Kota Blitar 2011 101,7812 80,26 10,73 80,29675 87,7515 95,6183 56,7725
Kota Blitar 2012 339,3117 82,01 13,37 81,12478 73,5276 82,4484 79,3094
Kota Blitar 2013 49,4805 83,09 14,35 69,89549 71,4179 81,5256 96,2206
Kota Blitar 2014 139,2758 83,94 16,80 70,10867 78,5834 87,2561 95,8664
Kota Malang 2008 28,3507 83,64 16,43 21,48239 99,6701 101,2645 98,2649
Kota Malang 2009 120,4547 80,71 21,02 82,79048 98,6651 100,0000 100,0138
Kota Malang 2010 79,8212 81,65 17,75 85,80618 99,5928 99,6991 99,9346
Kota Malang 2011 90,4308 82,71 11,47 80,43363 87,1165 96,4684 92,6640
Kota Malang 2012 164,6447 84,24 10,82 84,39631 73,2475 79,9917 63,0535
Kota Malang 2013 149,7791 83,50 11,42 72,14438 90,3173 92,2463 89,4090
Kota Malang 2014 97,9727 84,71 9,36 72,60217 88,5188 91,5909 87,7498
Kota Probolinggo 2008 183,2061 75,01 31,16 78,9541 68,4024 81,9541 57,7515
Kota Probolinggo 2009 112,8668 73,03 25,28 61,09629 82,8872 87,6106 90,3442
Kota Probolinggo 2010 166,3894 74,94 27,28 66,41107 90,2610 91,8421 55,9449
Kota Probolinggo 2011 230,6425 69,82 28,89 76,03617 95,8192 96,3158 60,5365
Kota Probolinggo 2012 106,8662 73,48 27,46 80,96336 89,1097 88,8782 68,8431
Kota Probolinggo 2013 212,7094 75,15 20,88 132,466 93,3044 92,6865 78,5316
84
Kota Probolinggo 2014 209,2597 70,79 26,92 71,45082 94,0172 93,7912 97,3841
Kota Pasuruan 2008 82,8272 77,00 20,59 81,97462 68,7547 97,7711 120,1647
Kota Pasuruan 2009 83,7287 75,99 19,29 87,4981 87,1730 98,3679 137,6683
Kota Pasuruan 2010 55,8971 78,11 21,88 75,91245 87,7493 97,2073 89,0961
Kota Pasuruan 2011 56,2746 73,12 18,87 87,99339 89,4328 100,3385 92,5926
Kota Pasuruan 2012 0,0000 77,85 18,69 88,24341 90,4743 93,5053 89,4075
Kota Pasuruan 2013 54,9149 75,86 16,18 70,04687 98,8816 97,6325 94,3986
Kota Pasuruan 2014 119,0476 74,49 21,19 68,36511 84,3517 90,7167 94,5543
Kota Mojokerto 2008 0,0000 84,13 14,08 74,90031 90,0246 100,6421 104,1769
Kota Mojokerto 2009 0,0000 83,15 14,66 75,28497 88,3342 98,2768 96,6387
Kota Mojokerto 2010 0,0000 85,67 13,05 79,26598 91,6209 99,1852 99,5012
Kota Mojokerto 2011 52,7426 81,67 11,86 77,12003 93,9651 97,0668 101,2469
Kota Mojokerto 2012 54,7046 82,19 10,39 67,44906 77,5826 80,6162 72,5366
Kota Mojokerto 2013 48,1000 81,59 10,85 68,75862 92,2263 93,1642 81,1369
Kota Mojokerto 2014 45,0857 80,70 8,81 59,08261 94,0503 100,9898 100,0535
Kota Madiun 2008 66,0939 83,53 12,30 70,42637 88,3045 120,7849 132,0338
Kota Madiun 2009 41,7275 83,45 14,32 74,43899 91,6110 100,0000 88,1589
Kota Madiun 2010 149,9700 87,40 13,32 90,25057 78,8001 89,7246 73,1378
85
Kota Madiun 2011 26,0552 85,03 11,31 82,14925 100,4884 108,3879 96,9196
Kota Madiun 2012 29,7708 85,60 11,84 80,30748 92,2132 95,5744 85,3644
Kota Madiun 2013 44,5699 84,25 10,03 79,08692 97,7333 98,3251 100,0000
Kota Madiun 2014 29,1121 86,36 9,67 78,69185 98,2345 98,2488 94,7201
Kota Surabaya 2008 45,2443 85,53 13,49 90,88671 97,2481 89,0953 92,1702
Kota Surabaya 2009 63,7146 84,73 10,71 91,00381 97,9004 95,6169 88,9739
Kota Surabaya 2010 46,7023 84,75 12,16 78,08654 97,9733 95,6748 89,6175
Kota Surabaya 2011 116,7238 86,19 11,76 74,46338 91,0554 93,2437 83,3752
Kota Surabaya 2012 144,6445 84,43 10,78 75,06156 84,6901 81,2393 80,5618
Kota Surabaya 2013 119,1489 82,69 11,87 74,06692 98,1127 96,0270 98,7270
Kota Surabaya 2014 88,9964 82,07 12,26 67,35889 98,2159 96,4529 99,5550
Kota Batu 2008 93,6330 79,99 24,34 47,894 95,1316 91,9105 61,5789
Kota Batu 2009 92,3361 81,23 21,75 51,66435 93,5927 91,8692 76,6590
Kota Batu 2010 97,2132 77,39 26,00 59,69992 95,8297 97,8723 24,4969
Kota Batu 2011 134,5442 73,83 22,59 56,83088 89,9388 94,6015 61,9714
Kota Batu 2012 107,3345 75,88 24,72 62,68132 74,8509 81,2709 66,8957
Kota Batu 2013 30,8166 81,70 19,04 67,71247 90,2162 95,5408 79,6685
Kota Batu 2014 30,9981 79,34 25,79 66,71227 93,5220 95,3714 88,2682
86
Jawa Timur 2008 83,1812 66,42 33,70 67,727126 84,3179 90,9777 81,0869
Jawa Timur 2009 90,6586 64,32 31,82 70,898156 85,9036 92,9577 84,8222
Jawa Timur 2010 101,4450 67,27 30,61 69,245983 88,0674 95,0385 68,9483
Jawa Timur 2011 104,3025 67,28 28,34 71,152928 88,3147 96,0655 79,5067
Jawa Timur 2012 97,4258 68,09 26,32 71,024857 84,3783 89,1390 83,1538
Jawa Timur 2013 97,3900 68,24 26,33 73,479788 87,3532 92,0393 85,7305
Jawa Timur 2014 93,5171 68,62 27,11 72,769956 88,6611 92,4512 91,4782
Keterangan : Y : Angka kematian ibu X1 : Persentase penduduk perempuan dengan pendidikan yang ditamatkan minimal SD X2 : Persentase penduduk perempuan kawin usia kurang dari 17 tahun X3 : Persentase peserta KB aktif X4 : Persentase cakupan pelayanan antenatal K4 X5 : Persentase kelahiran yang ditolong oleh tenaga kesehatan terlatih X6 : Persentase komplikasi kebidanan yang ditangani
87
Lampiran 2. Hasil Deteksi Multikolinieritas Regression Analysis: Y versus X1; X2; X3; X4; X5; X6 The regression equation is
Y = 256 + 0,931 X1 + 1,10 X2 + 0,110 X3 - 0,629 X4 -
2,10 X5 - 0,110 X6
Predictor Coef SE Coef T P VIF
Constant 256,03 54,02 4,74 0,000
X1 0,9310 0,4270 2,18 0,030 3,908
X2 1,0985 0,3739 2,94 0,004 3,781
X3 0,1102 0,1189 0,93 0,355 1,024
X4 -0,6285 0,4992 -1,26 0,209 2,032
X5 -2,1025 0,5811 -3,62 0,000 2,006
X6 -0,1097 0,1544 -0,71 0,478 1,111
S = 40,0809 R-Sq = 18,5% R-Sq(adj) = 16,6%
88
Lampiran 3. Estimasi Model Semua Variabel Prediktor dengan Efek Individu dan Waktu
Estimasi Model CEM
Dependent Variable: Y?
Method: Pooled Least Squares
Date: 05/29/16 Time: 18:38
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. X1? 0.931049 0.427041 2.180231 0.0301
X2? 1.098468 0.373914 2.937758 0.0036
X3? 0.110183 0.118917 0.926555 0.3550
X4? -0.628549 0.499171 -1.259187 0.2091
X5? -2.102498 0.581136 -3.617910 0.0004
X6? -0.109738 0.154441 -0.710551 0.4780
C 256.0344 54.02478 4.739203 0.0000 R-squared 0.184963 Mean dependent var 99.42812
Adjusted R-squared 0.166082 S.D. dependent var 43.89097
S.E. of regression 40.08085 Akaike info criterion 10.24564
Sum squared resid 416076.9 Schwarz criterion 10.33994
Log likelihood -1355.670 Hannan-Quinn criter. 10.28352
F-statistic 9.796157 Durbin-Watson stat 1.470552
Prob(F-statistic) 0.000000
89
Estimasi Model FEM (Fixed Cross Section & Fixed Period)
Dependent Variable: Y?
Method: Pooled Least Squares
Date: 05/13/16 Time: 04:37
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. X1? -0.062874 1.183797 -0.053113 0.9577
X2? 0.464977 1.057538 0.439678 0.6606
X3? 0.022120 0.110754 0.199717 0.8419
X4? -1.210906 0.643037 -1.883105 0.0610
X5? -1.342995 0.691523 -1.942082 0.0534
X6? 0.030683 0.209431 0.146505 0.8837
C 316.1428 109.1069 2.897550 0.0041
Fixed Effects (Cross)
_1--C 6.752061
_2--C 4.261720
_3--C 3.047541
_4--C 14.35835
_5--C 7.670519
_6--C 15.39818
_7--C -24.29177
_8--C -17.24327
_9--C -6.904076
_10--C -17.38091
_11--C 41.72605
_12--C 45.27952
_13--C -29.08989
_14--C 0.875576
_15--C 5.518907
_16--C 2.842957
_17--C -1.575926
_18--C 27.87756
_19--C -2.300294
_20--C 2.928315
90
_21--C 15.51117
_22--C -6.684330
_23--C -12.94452
_24--C -12.88402
_25--C -12.63518
_26--C -45.83674
_27--C -25.75976
_28--C -13.97939
_29--C -5.896524
_30--C 29.09866
_31--C 16.81367
_32--C 19.77970
_33--C 74.15567
_34--C -26.10871
_35--C -55.16323
_36--C -17.24929
_37--C 7.708277
_38--C -7.676596
Fixed Effects (Period)
2008--C -19.30275
2009--C -6.655402
2010--C 8.438846
2011--C 16.10737
2012--C -6.210348
2013--C 6.985847
2014--C 0.636439 Effects Specification Cross-section fixed (dummy variables)
Period fixed (dummy variables) R-squared 0.524052 Mean dependent var 99.42812
Adjusted R-squared 0.416083 S.D. dependent var 43.89097
S.E. of regression 33.53906 Akaike info criterion 10.03102
Sum squared resid 242971.6 Schwarz criterion 10.70461
Log likelihood -1284.126 Hannan-Quinn criter. 10.30163
F-statistic 4.853703 Durbin-Watson stat 2.261905
Prob(F-statistic) 0.000000
91
Hasil Uji Chow
Redundant Fixed Effects Tests
Pool: Untitled
Test cross-section and period fixed effects Effects Test Statistic d.f. Prob. Cross-section F 3.265100 (37,216) 0.0000
Cross-section Chi-square 118.166952 37 0.0000
Period F 3.134542 (6,216) 0.0058
Period Chi-square 22.207427 6 0.0011
Cross-Section/Period F 3.578825 (43,216) 0.0000
Cross-Section/Period Chi-square 143.088262 43 0.0000
Cross-section fixed effects test equation:
Dependent Variable: Y?
Method: Panel Least Squares
Date: 05/13/16 Time: 04:39
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. X1? 1.169086 0.428671 2.727231 0.0068
X2? 1.309133 0.379642 3.448338 0.0007
X3? 0.061166 0.115607 0.529089 0.5972
X4? -0.863637 0.509983 -1.693463 0.0916
X5? -2.556229 0.643847 -3.970242 0.0001
X6? 0.033448 0.169743 0.197049 0.8439
C 288.1295 56.11552 5.134578 0.0000 Effects Specification Period fixed (dummy variables)
92
R-squared 0.257855 Mean dependent var 99.42812
Adjusted R-squared 0.222655 S.D. dependent var 43.89097
S.E. of regression 38.69744 Akaike info criterion 10.19706
Sum squared resid 378865.4 Schwarz criterion 10.37219
Log likelihood -1343.209 Hannan-Quinn criter. 10.26742
F-statistic 7.325315 Durbin-Watson stat 1.475579
Prob(F-statistic) 0.000000
Period fixed effects test equation:
Dependent Variable: Y?
Method: Panel Least Squares
Date: 05/13/16 Time: 04:39
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. X1? -0.052932 1.093219 -0.048418 0.9614
X2? -0.965465 0.769822 -1.254140 0.2111
X3? 0.061137 0.112956 0.541247 0.5889
X4? -0.823429 0.620074 -1.327953 0.1856
X5? -0.943298 0.615368 -1.532901 0.1267
X6? -0.225528 0.177232 -1.272496 0.2045
C 303.0934 99.50502 3.046012 0.0026 Effects Specification Cross-section fixed (dummy variables) R-squared 0.482611 Mean dependent var 99.42812
Adjusted R-squared 0.382396 S.D. dependent var 43.89097
S.E. of regression 34.49293 Akaike info criterion 10.06939
Sum squared resid 264127.2 Schwarz criterion 10.66215
Log likelihood -1295.229 Hannan-Quinn criter. 10.30753
F-statistic 4.815763 Durbin-Watson stat 2.231948
Prob(F-statistic) 0.000000
93
Cross-section and period fixed effects test equation:
Dependent Variable: Y?
Method: Panel Least Squares
Date: 05/13/16 Time: 04:39
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. X1? 0.931049 0.427041 2.180231 0.0301
X2? 1.098468 0.373914 2.937758 0.0036
X3? 0.110183 0.118917 0.926555 0.3550
X4? -0.628549 0.499171 -1.259187 0.2091
X5? -2.102498 0.581136 -3.617910 0.0004
X6? -0.109738 0.154441 -0.710551 0.4780
C 256.0344 54.02478 4.739203 0.0000 R-squared 0.184963 Mean dependent var 99.42812
Adjusted R-squared 0.166082 S.D. dependent var 43.89097
S.E. of regression 40.08085 Akaike info criterion 10.24564
Sum squared resid 416076.9 Schwarz criterion 10.33994
Log likelihood -1355.670 Hannan-Quinn criter. 10.28352
F-statistic 9.796157 Durbin-Watson stat 1.470552
Prob(F-statistic) 0.000000
94
Estimasi Model REM (Cross section random, period none)
Dependent Variable: Y?
Method: Pooled EGLS (Cross-section random effects)
Date: 05/29/16 Time: 18:42
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266
Swamy and Arora estimator of component variances Variable Coefficient Std. Error t-Statistic Prob. X1? 0.430366 0.545753 0.788574 0.4311
X2? 0.612428 0.473719 1.292808 0.1972
X3? 0.084597 0.108843 0.777232 0.4377
X4? -0.626000 0.523898 -1.194889 0.2332
X5? -1.521349 0.555345 -2.739467 0.0066
X6? -0.142216 0.155961 -0.911869 0.3627
C 254.1009 61.84358 4.108768 0.0001 Random Effects
(Cross)
_1--C 8.056500
_2--C 4.770346
_3--C 5.160476
_4--C 5.785425
_5--C 5.556248
_6--C 8.881643
_7--C -16.99413
_8--C -9.934970
_9--C 0.479735
_10--C -10.45123
_11--C 29.46280
_12--C 34.94442
_13--C -17.07125
_14--C 0.480969
_15--C -2.706965
_16--C 2.186126
_17--C -0.242441
_18--C 20.33509
95
_19--C -2.300659
_20--C 0.870634
_21--C 11.62152
_22--C -3.340626
_23--C -8.611352
_24--C -11.59735
_25--C -7.493234
_26--C -27.33218
_27--C -6.654668
_28--C -8.279848
_29--C -0.582049
_30--C 15.20635
_31--C 9.139292
_32--C 8.963118
_33--C 45.34668
_34--C -16.69469
_35--C -39.30005
_36--C -15.42123
_37--C -1.304388
_38--C -10.93406 Effects Specification
S.D. Rho Cross-section random 18.24258 0.2186
Idiosyncratic random 34.49293 0.7814 Weighted Statistics R-squared 0.111174 Mean dependent var 57.81106
Adjusted R-squared 0.090583 S.D. dependent var 36.97204
S.E. of regression 35.25778 Sum squared resid 321965.7
F-statistic 5.399253 Durbin-Watson stat 1.846389
Prob(F-statistic) 0.000028 Unweighted Statistics R-squared 0.173100 Mean dependent var 99.42812
Sum squared resid 422132.9 Durbin-Watson stat 1.408262
96
Hasil Uji Hausman
Correlated Random Effects - Hausman Test
Pool: Untitled
Test cross-section random effects
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Cross-section random 17.613499 6 0.0073
Cross-section random effects test comparisons:
Variable Fixed Random Var(Diff.) Prob. X1? -0.052932 0.430366 0.897282 0.6099
X2? -0.965465 0.612428 0.368216 0.0093
X3? 0.061137 0.084597 0.000912 0.4373
X4? -0.823429 -0.626000 0.110023 0.5517
X5? -0.943298 -1.521349 0.070269 0.0292
X6? -0.225528 -0.142216 0.007088 0.3224
Cross-section random effects test equation:
Dependent Variable: Y?
Method: Panel Least Squares
Date: 05/13/16 Time: 04:42
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. C 303.0934 99.50502 3.046012 0.0026
X1? -0.052932 1.093219 -0.048418 0.9614
X2? -0.965465 0.769822 -1.254140 0.2111
X3? 0.061137 0.112956 0.541247 0.5889
X4? -0.823429 0.620074 -1.327953 0.1856
97
X5? -0.943298 0.615368 -1.532901 0.1267
X6? -0.225528 0.177232 -1.272496 0.2045 Effects Specification Cross-section fixed (dummy variables) R-squared 0.482611 Mean dependent var 99.42812
Adjusted R-squared 0.382396 S.D. dependent var 43.89097
S.E. of regression 34.49293 Akaike info criterion 10.06939
Sum squared resid 264127.2 Schwarz criterion 10.66215
Log likelihood -1295.229 Hannan-Quinn criter. 10.30753
F-statistic 4.815763 Durbin-Watson stat 2.231948
Prob(F-statistic) 0.000000
Lampiran 4. Estimasi Model Variabel Prediktor yang Signifikan
saja dengan Efek Individu dan Waktu Estimasi Model CEM
Dependent Variable: Y?
Method: Pooled Least Squares
Date: 05/13/16 Time: 04:47
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. X4? -0.690002 0.495011 -1.393913 0.1645
X5? -2.237550 0.580114 -3.857089 0.0001
C 366.9926 38.98950 9.412602 0.0000 R-squared 0.153018 Mean dependent var 99.42812
Adjusted R-squared 0.146577 S.D. dependent var 43.89097
S.E. of regression 40.54687 Akaike info criterion 10.25401
98
Sum squared resid 432384.8 Schwarz criterion 10.29442
Log likelihood -1360.783 Hannan-Quinn criter. 10.27024
F-statistic 23.75713 Durbin-Watson stat 1.419617
Prob(F-statistic) 0.000000
Estimasi Model FEM (Fixed Cross Section & Fixed Period)
Dependent Variable: Y?
Method: Pooled Least Squares
Date: 05/13/16 Time: 04:48
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. X4? -1.201787 0.633248 -1.897815 0.0590
X5? -1.367910 0.661744 -2.067127 0.0399
C 330.5128 43.90828 7.527346 0.0000
Fixed Effects (Cross)
_1--C 2.483540
_2--C 2.619507
_3--C 2.302268
_4--C 11.08721
_5--C 5.455327
_6--C 10.94506
_7--C -23.42220
_8--C -12.45489
_9--C -0.885117
_10--C -15.57222
_11--C 57.32890
_12--C 58.78062
_13--C -15.76042
_14--C 2.714711
_15--C -3.399786
_16--C 0.667427
_17--C -4.617433
99
_18--C 25.90534
_19--C -3.530250
_20--C 1.074589
_21--C 15.56823
_22--C -2.573973
_23--C -10.22307
_24--C -8.894060
_25--C -16.02509
_26--C -43.34245
_27--C -15.44340
_28--C -9.572804
_29--C 3.081361
_30--C 20.50116
_31--C 9.128082
_32--C 12.58603
_33--C 73.14332
_34--C -29.65100
_35--C -63.15012
_36--C -25.08924
_37--C -0.496389
_38--C -11.26876
Fixed Effects (Period)
2008--C -17.50854
2009--C -5.167734
2010--C 8.782378
2011--C 15.71274
2012--C -7.428609
2013--C 5.633971
2014--C -0.024207 Effects Specification Cross-section fixed (dummy variables)
Period fixed (dummy variables) R-squared 0.523364 Mean dependent var 99.42812
Adjusted R-squared 0.425870 S.D. dependent var 43.89097
S.E. of regression 33.25678 Akaike info criterion 10.00239
Sum squared resid 243322.9 Schwarz criterion 10.62209
Log likelihood -1284.318 Hannan-Quinn criter. 10.25135
100
F-statistic 5.368183 Durbin-Watson stat 2.267062
Prob(F-statistic) 0.000000
Hasil Uji Chow
Redundant Fixed Effects Tests
Pool: Untitled
Test cross-section and period fixed effects Effects Test Statistic d.f. Prob. Cross-section F 3.776299 (37,220) 0.0000
Cross-section Chi-square 130.794039 37 0.0000
Period F 3.733770 (6,220) 0.0015
Period Chi-square 25.794687 6 0.0002
Cross-Section/Period F 3.975348 (43,220) 0.0000
Cross-Section/Period Chi-square 152.930450 43 0.0000
Cross-section fixed effects test equation:
Dependent Variable: Y?
Method: Panel Least Squares
Date: 05/13/16 Time: 04:49
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. X4? -0.774398 0.506108 -1.530104 0.1272
X5? -2.777426 0.617043 -4.501189 0.0000
C 424.4454 40.63942 10.44418 0.0000 Effects Specification Period fixed (dummy variables)
101
R-squared 0.220650 Mean dependent var 99.42812
Adjusted R-squared 0.196390 S.D. dependent var 43.89097
S.E. of regression 39.34574 Akaike info criterion 10.21590
Sum squared resid 397858.5 Schwarz criterion 10.33715
Log likelihood -1349.715 Hannan-Quinn criter. 10.26461
F-statistic 9.095262 Durbin-Watson stat 1.401273
Prob(F-statistic) 0.000000
Period fixed effects test equation:
Dependent Variable: Y?
Method: Panel Least Squares
Date: 05/13/16 Time: 04:49
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. X4? -0.698768 0.594834 -1.174729 0.2413
X5? -1.093219 0.598138 -1.827705 0.0689
C 261.4576 41.18001 6.349139 0.0000 Effects Specification Cross-section fixed (dummy variables) R-squared 0.474828 Mean dependent var 99.42812
Adjusted R-squared 0.384201 S.D. dependent var 43.89097
S.E. of regression 34.44250 Akaike info criterion 10.05425
Sum squared resid 268100.5 Schwarz criterion 10.59312
Log likelihood -1297.215 Hannan-Quinn criter. 10.27074
F-statistic 5.239368 Durbin-Watson stat 2.215556
Prob(F-statistic) 0.000000
Cross-section and period fixed effects test equation:
Dependent Variable: Y?
Method: Panel Least Squares
102
Date: 05/13/16 Time: 04:49
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. X4? -0.690002 0.495011 -1.393913 0.1645
X5? -2.237550 0.580114 -3.857089 0.0001
C 366.9926 38.98950 9.412602 0.0000 R-squared 0.153018 Mean dependent var 99.42812
Adjusted R-squared 0.146577 S.D. dependent var 43.89097
S.E. of regression 40.54687 Akaike info criterion 10.25401
Sum squared resid 432384.8 Schwarz criterion 10.29442
Log likelihood -1360.783 Hannan-Quinn criter. 10.27024
F-statistic 23.75713 Durbin-Watson stat 1.419617
Prob(F-statistic) 0.000000
Estimasi Model REM (Random Cross Section) Dependent Variable: Y?
Method: Pooled EGLS (Cross-section random effects)
Date: 05/13/16 Time: 04:51
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266
Swamy and Arora estimator of component variances Variable Coefficient Std. Error t-Statistic Prob. X4? -0.744360 0.518321 -1.436100 0.1522
X5? -1.505770 0.556684 -2.704893 0.0073
C 303.7247 38.02940 7.986574 0.0000
Random Effects (Cross)
_1--C 1.851481
103
_2--C 2.226669
_3--C 4.512491
_4--C 6.882600
_5--C 4.015603
_6--C 6.823468
_7--C -17.67288
_8--C -9.187577
_9--C 2.058270
_10--C -9.169574
_11--C 38.65101
_12--C 43.02980
_13--C -10.75999
_14--C 1.150543
_15--C -3.315363
_16--C 1.225329
_17--C -2.878898
_18--C 18.66847
_19--C -2.742598
_20--C 0.694436
_21--C 9.602245
_22--C -1.736584
_23--C -7.735151
_24--C -8.326422
_25--C -9.513219
_26--C -30.07017
_27--C -7.916665
_28--C -7.335757
_29--C 3.487615
_30--C 12.93693
_31--C 8.096987
_32--C 7.421372
_33--C 49.84567
_34--C -20.14258
_35--C -44.26279
_36--C -18.34287
_37--C -3.052911
_38--C -9.018997 Effects Specification
S.D. Rho
104
Cross-section random 19.40037 0.2409
Idiosyncratic random 34.44250 0.7591 Weighted Statistics R-squared 0.097271 Mean dependent var 55.40139
Adjusted R-squared 0.090406 S.D. dependent var 36.65525
S.E. of regression 34.95908 Sum squared resid 321422.1
F-statistic 14.16940 Durbin-Watson stat 1.861181
Prob(F-statistic) 0.000001 Unweighted Statistics R-squared 0.144152 Mean dependent var 99.42812
Sum squared resid 436911.0 Durbin-Watson stat 1.369214
Hasil Uji Hausman
Correlated Random Effects - Hausman Test
Pool: Untitled
Test cross-section random effects
Test Summary Chi-Sq. Statistic Chi-Sq. d.f. Prob.
Cross-section random 9.948364 2 0.0069
Cross-section random effects test comparisons:
Variable Fixed Random Var(Diff.) Prob. X4? -0.698768 -0.744360 0.085171 0.8759
X5? -1.093219 -1.505770 0.047872 0.0594
105
Cross-section random effects test equation:
Dependent Variable: Y?
Method: Panel Least Squares
Date: 05/13/16 Time: 04:52
Sample: 2008 2014
Included observations: 7
Cross-sections included: 38
Total pool (balanced) observations: 266 Variable Coefficient Std. Error t-Statistic Prob. C 261.4576 41.18001 6.349139 0.0000
X4? -0.698768 0.594834 -1.174729 0.2413
X5? -1.093219 0.598138 -1.827705 0.0689 Effects Specification Cross-section fixed (dummy variables) R-squared 0.474828 Mean dependent var 99.42812
Adjusted R-squared 0.384201 S.D. dependent var 43.89097
S.E. of regression 34.44250 Akaike info criterion 10.05425
Sum squared resid 268100.5 Schwarz criterion 10.59312
Log likelihood -1297.215 Hannan-Quinn criter. 10.27074
F-statistic 5.239368 Durbin-Watson stat 2.215556
Prob(F-statistic) 0.000000
106
Lampiran 5. Hasil Pengujian Asumsi Residual IIDN Hasil Uji Asumsi Residual Identik Regression Analysis: ln versus ln x4; ln x5 The regression equation is
ln = 2,94 - 2,98 ln x4 + 3,44 ln x5
Predictor Coef SE Coef T P
Constant 2,941 9,516 0,31 0,758
ln x4 -2,984 2,322 -1,29 0,200
ln x5 3,441 2,959 1,16 0,246
S = 2,23486 R-Sq = 0,7% R-Sq(adj) = 0,0%
Analysis of Variance
Source DF SS MS F P
Regression 2 8,894 4,447 0,89 0,412
Residual Error 263 1313,577 4,995
Total 265 1322,471
Source DF Seq SS
ln x4 1 2,139
ln x5 1 6,755
Hasil Uji Asumsi Residual Independen Runs Test: residual Runs test for residual
Runs above and below K = -8,27068E-08
The observed number of runs = 131
The expected number of runs = 134
133 observations above K; 133 below
P-value = 0,712
107
BIODATA PENULIS
Penulis dilahirkan di Probolinggo, 12 Juni 1994 dengan nama lengkap Khusnul Khotimah, biasa dipanggil Ima atau Khusnul. Penulis merupakan anak kedua dari pasangan Bapak Amin dan Ibu Siti Mukharromah, S.Pd. Pendidikan formal yang ditempuh penulis adalah SDN III Randuagung Gresik, SMP Negeri 1 Gresik dan SMA Negeri 1 Gresik. Pada tahun 2013 penulis diterima di Jurusan Statistika ITS program studi diploma. Selama
kuliah, penulis pernah menjadi asisten dosen Official Statistic. Bagi pembaca yang ingin berdiskusi, memberikan saran dan kritik tentang Tugas Akhir ini dapat disampaikan melalui email [email protected].